网络社区结构是复杂网络中的重要特征之一,它可以用来揭示网络结构中的组织关系或者分层关系。尽管对于网络社区的研究有很多种,但是大多数方法都离不开给网络社区一个函数定义亦或是给定一种目标函数来衡量网络社区。然而,已有的大多数这些目标函数都没能衡量网络社区的统计显著性。通过统计检验的方式来定义的网络社区的p值是一种被广泛认为范围是0到1的度量指标,且其可以与显著性水平相关联,因此阈值更容易被设定,然而大部分其他的目标函数则是数据独立的。本文主要做了两项工作,分别是(1)在配置模型下提出了网络社区的p值上界计算方法,并给出了详细的推导过程;(2)在Erd?s-Rényi模型下提出了网络社区的精确p值计算方法,并同样给出了详细的推导过程。相对于其他的已有的衡量网络社区统计显著性的目标函数来说,本文提出的两种p值计算方法均是以一种直接的方式来衡量单一网络社区的,而不是依赖于单一节点属于网络社区的概率。同时本文提出的两种p值计算方法均给出了解析解的形式,而不依赖于采样的技术。为了验证这两种网络社区的p值计算方法的有效性,本文又提出了一种基于种子扩张方式的社区发现算法,并将这两种不同计算方法的p值作为社区发现算法的目标函数,将其应用到社区发现工作中去。在实验方面,本文分别选取了传统的社区发现算法以及其他衡量统计显著性的社区发现算法进行对比,在真实数据集和仿真数据集上的实验表明本文提出的两种p值作为社区发现算法的目标函数得到的结果与所对比的算法是具有可比较性的,因此验证了这两种p值计算方法的有效性。此外,为了验证p值在衡量网络社区中的优点,本文也用相同的社区发现算法但是用其他传统的目标函数进行实验对比,实验表明本文提出的p值计算方法尤其是精确p值计算方法在大多数数据集上要比传统的目标函数表现更优秀。