近几年来,随着web2.0的发展,研究网络上用户之间的关系对于理解网络的作用有着很重要的意义。社区结构作为社会网络中一个很重要的性质,是指网络中存在一些节点,这些节点之间联系比较紧密,而与其他节点之间的联系比较稀疏。社区结构相对于节点和整个网络来说,属于中观结构,了解了网络的社区结构,就可以掌握整个网络的运行情况,以及网络中节点的作用。社区发现已经成为近几年社会网络中一个很热门的研究方向。通常情况下网络中的社区之间存在重叠的情况,而不是完全独立的,即一个节点可以属于不只一个社区。重叠节点是联系不同社区的桥梁,作为网络中的弱关系,重叠节点对于社区之间信息的交流起着极其重要的作用。然而传统的方法都是针对同种节点在同一种交互下形成的网络进行重叠社区发现,得到的社区很难解释这些节点是如何分到同一个社区中的以及无法了解重叠节点重叠的意义,而且单一一种交互也无法准确描述节点之间的真实关系,有可能会丢失某些重要的数据。本文针对异质网络进行重叠社区发现,来解决传统方法无法处理的网络的重叠社区发现问题。异质网络包括节点异质网络和边异质(也称关系异质)网络。针对节点异质网络,本文应用非负矩阵三因子分解的方法对其进行联合聚类,将不同种节点同时聚类,在得到的结果中有两种节点形成的社区,它们之间互相联系,可以用一种节点组成的社区来解释另外一种节点组成的社区的物理意义。针对关系异质网络,本文将每种交互看作一张图,先对多张图进行融合,融合过程中,通过计算节点之间的关系,将节点进行排序,形成一张综合所有交互的图,使得对于节点之间的关系描述得更准确。再通过改进的标签传播算法进行重叠社区发现。本文通过研究节点异质和关系异质两种异质网络的特点,分别提出一种重叠社区发现算法。通过人工数据集以及真实数据集上的对比实验,可以发现本文的方法能够更好地在异质网络中发现重叠社区。