随着信息技术的迅猛发展，研究者逐渐发现在许多现实网络中，如生物网络、通信网络，都存在社团结构。如何准确高效地检测出隐含在网络中的社团结构已成为人们关注的焦点。社团发现是网络数据分析面临的共同挑战，目前已经探索出一些相应的算法，如谱聚类、基于边介数的方法、模糊聚类方法等等，同时也涌现出多种衡量社团的标准，如模块性函数Q、模块性密度函数D等。目前，所有的社团检测算法只关注于网络划分问题，忽略了对社团健壮性的研究。实际上，某些应用中只需要关注具有健壮性的模块结构，而非网络划分。为了解决该问题，本文提出两种算法用于发现一种具有重要意义的社团结构，即健壮社团。基于贝叶斯网络的健壮社团发现算法是从健壮社团比普通社团的内部联系更为紧密的角度来设计算法，通过对每个普通社团分别构建贝叶斯网络，并根据条件概率表和证据信息进行推理，得到贝叶斯网络中每个结点隶属于健壮社团的后验概率以提取健壮社团；基于矩阵扰动理论的算法从健壮社团对于较小的网络扰动所表现出的稳定性设计算法，通过对扰动前和扰动后网络的社团结构进行比对来提取健壮社团。文中通过在真实网络和随机网络上的仿真实验来说明两种算法用于健壮社团发现的有效性。