网络科学近些年来一直是一个非常活跃的研究方向,它在众多学科,例如生物学、信息学、社会学和计算机科学等,都有着非常重要的应用。现实世界中很多不同领域的复杂系统都能够用网络的形式来统一表示,以此网络科学的不断进步极大的促进了人们对于复杂系统的理解。实际网络经常呈现出的一个重要特征是社区结构或是类结构,即节点的分类组织,它使得在同一类的节点内部有较多的边,在不同类的节点之间的有较少的边。类似于人体中的组织或是器官,网络的这些社区或是类可看作是网络中相对独立的成分或是功能单元,了解这些社区结构能够极大的提升人们对这些网络的理解,因此探测网络中的社区结构成为网络数据分析中一个非常基础而重要的问题。而且随着近些年数据收集平台与技术的迅速发展,数据量迅速增加,随之对网络数据分析技术的需求也日益紧迫,尤其是对大规模网络进行社区探测的技术。为了解决网络的社区探测问题,很多的统计模型被提了出来,其中随机块模型（SBM）是其中最为广泛研究和应用的一个模型。为了拟合随机块模型,人们提出了很多的算法,例如EM算法、MCMC方法、变分法、谱方法、伪似然算法、轮廓似然算法等,但其中大多数都不能很好的处理大规模网络,它们往往在社区探测精度、运行效率、计算收敛性理论或是统计相合性理论方面存在缺陷。基于此,我们在这篇文章中提出了两种新的似然推断框架,即轮廓伪似然框架和分裂似然框架,并基于此构造了可以有效处理包含百万个节点网络的轮廓伪似然算法和分裂似然算法,它们能够有效克服已存在方法的缺陷,并具有计算理论和统计理论方面的保证。另一方面,随着数据采集技术的发展,我们可以获得的网络数据类型日益丰富。特别的,对于同一批节点,我们有时可以收集到它们的多个角度的网络以及各个节点的属性数据。鉴于此,我们提出了多层网络的伪似然算法以及能够有效解决多种网络数据类型的社区探测问题的惩罚交替分解算法。