随着科学技术的发展,复杂网络的研究价值逐渐凸显,研究者们更多的关注复杂网络社区发现中关键节点的探索与研究,到目前为止,关于复杂网络的社区发现已经提出了大量的科研成果,在这众多的成果之中也有一些较为实用的方法,为更好的研究复杂网络提供了便利条件.本文在查阅了大量国内外文献研究的前提之下,对复杂网络的社区发现领域研究现状做了梳理与总结,并对复杂网络理论研究的历史进程进行了归纳,由此提出了聚类算法预处理的社区发现算法。本文提出了局部相似度聚类算法预处理的社区发现算法,首先利用社区发现算法在构建相似度后可以转换为聚类算法的基本思路,使用局部相似指标构建相似矩阵,使用谱聚类算法,参考特征间隙标准对当前网络进行预处理划分,再使用考量网络全局拓扑特性Page Rank算法作为核心节点的选择的参考指标,在预处理的每个社区结构内选择重要节点,计算每个非中心节点对每个重要节点所形成的社区结构的贡献值即节点适应度,选取适应度更大的节点依次加入相应社区,进而完成网络社区划分,最后融合K-means算法优秀思想,对得到的划分结果进行迭代计算直至社区结构达到稳定状态。需要特别指出的是,一部分复杂网络社区发现算法大多针对网络中重要节点为核心,进而进行社区拓展,当处理核心节点不明晰的网络时,划分的结构很难得到保证,本文提出的方法考首先运用谱聚类算法对当前网络社区结果进行预处理,克服了上述情况,使网络结构初始划分得到保证,同时由于在谱聚类算法过程中使用特征间隙求出初始聚类个数,社区结构有一定的效率做保证,因此,可根据初始划分社区数目作为一个合理的预选择参考值,同样避免K—means算法在不知晓社区划分个数参数K的情况下带来的效率问题,并在此基础上运用Page Rank、节点适应度等参考指标对重要节点的选择及社区合并算法进一步优化,进而完善社区结构。