随着电子通信与社会媒体等技术的不断发展,产生了大量映射实际、错综复杂的数据关系。这类关系型数据通常被以图（Graph）的形式来表示,在实际生活中一般称这样的图为网络（关系网络、社会网络等）。社区发现（社区检测）常被用来揭示节点的集群行为,是社会网络分析（SNA）的重要手段之一。在真实复杂网络中,节点可能同属不同的社区,并且节点的社区归属会随着关系的变化而不断变化,即社区具有重叠性与动态性。本文围绕真实复杂网络上社区的重叠性与动态性,对动态重叠社区发现算法及相关工作进行研究,使得基于社区发现的网络分析方法可以应用到网络全局到局部的各个层面。主要的研究成果如下:1、提出了一种基于渗透理论的相似度网络构建方法。针对无明确关系的数据类型,通过指定关系的方式将数据转换为节点的特征向量,利用余弦相似度函数生成节点相似度矩阵,再利用网络渗透理论分析设定相似度阈值,将节点相似度矩阵转换为网络邻接矩阵,从而生成一个无权无向图。并通过实验验证了所生成相似度网络具备复杂网络的无标度特性以及社区重叠在网络渗透上具有重要作用。2、提出了一种基于层级融合的社区发现算法。利用“分层策略”将网络上的所有极大团按规模划分为不同的层级,再通过“融合策略”由规模最大的层级逐级融合所有层级的子团,将网络上的所有社区划分为“核心-边缘”结构的层次社区。并通过实验验证了层级融合社区发现在取得了较高重叠模块度的同时,相较于传统的社区发现算法还具备层次结构以及结果稳定的优势。3、提出了一种基于“核心节点”的社区相似度计算方法,改进了基于独立社区的演化分析框架,使其适用于层次结构社区的演化分析。并通过实验验证了通过社区演化序列进行网络演化宏观分析与网络演化微观分析的可行性。