现实中的许多复杂系统都可以抽象为复杂网络,社区结构是真实网络的最重要特征之一,它能够揭示节点属性和网络结构,可应用于信息搜索、行为预测、功能分析等领域,具有极其重要的现实意义与研究价值。复杂网络社区发现算法是按照某种规则将复杂网络划分为多个社区的算法,可以捕获复杂网络中的社区结构,是复杂网络领域中的热门研究方向,受到国内外众多研究学者的密切关注。近年来,大量的社区发现算法被提出,其中谱聚类社区发现算法是经典算法之一,但是,谱聚类算法无法正确计算部分节点的相似度,导致相似矩阵包含许多错误的社区信息。针对上述问题,本文利用度修正随机块模型证明了节点间的连接概率包含社区结构信息,通过节点间连接概率拟合节点间相似度,引入概率矩阵与均值概率矩阵的概念,提出一种基于均值概率矩阵的改进谱聚类社区发现算法,主要研究内容包括:1、证明节点间连接概率包含社区信息:使用度修正随机块模型证明网络节点间的连接概率蕴藏着大量的社区结构信息,建立节点间连接概率与节点间相似度的映射关系。2、提出概率矩阵与均值概率矩阵:根据节点的马尔可夫过程计算节点间的转移概率,利用多阶加权转移概率构建复杂网络的概率矩阵,为降低概率矩阵中超参数给计算结果带来的偏差,结合不同时间尺度的概率矩阵,提出均值概率矩阵。3、提出基于均值概率矩阵的改进谱聚类社区发现算法:提出一种改进的谱聚类社区发现算法,基于均值概率矩阵构建复杂网络的相似矩阵,通过优化归一化切割函数完成社区划分。最后,本文采用大量的人工合成复杂网络和现实世界复杂网络进行实验分析,通过计算模块度、调整兰德系数和规范互信息三种指数评估不同社区发现算法的质量。实验表明,本文算法具有优秀的社区发现性能,能够准确地划分复杂网络。