真实世界中的许多系统都可以用网络来表示,网络是由结点集和边集构成,在网络系统的研究中,人们把个体视为结点,关系视为边,所组成的群体称为社区。社区结构发现是社会网络分析的一个基本任务,它有助于其他社会计算任务的实现,并且可应用于许多实际问题的求解。社区结构发现是以某种度量方法对数据集中的对象进行相似性划分。在社区发现的算法中,凝聚式聚类算法在度量相似性时没有考虑实际背景下的不可控性,导致划分结果不够精确；分裂式聚类算法往往采用全局信息参数,计算复杂度较高,不适用于大规模网络。鉴于此,本文采用层次聚类的思想,依据点介数和边介数两种信息参数进行社区发现,主要研究工作如下：(1)为了解决实际网络的不可控制性问题,本文提出了传播过程中信号缺失的凝聚式聚类社区发现算法(SMHC)。该算法先将社区结构中的结点看做信号源,考虑点介数在网络中的作用,采用度中心性作为度量结点接收信号概率的方法,量化了结点接收信号过程中的缺失值：通过传递信号将节点间的网络拓扑结构转化为节点的影响向量矩阵,再运用模块度的凝聚式聚类方法进行社区发现。最后,在人工数据集和基准数据集上,通过与已有社区发现算法进行比较,实验结果表明SMHC算法提高了社区划分的准确率。(2)为了降低较大规模网络运行的时间复杂度,本文提出了基于桥和模块度增量结合的分裂式聚类算法(BQI)。该算法用局部信息参数“桥”作为移除边的标准,桥在不同社区的连接中有重要的作用,通过依次去掉桥值最高的边来分裂网络；同时为了减少冗余的步骤,应用模块度增量的方法决定网络在何时停止分裂。最后,在基准数据集上进行验证,并与经典分裂算法GN对比,BQI算法与GN算法的社区划分准确率相当,但BQI算法提高了算法执行速度。