通过社团检测和社团分析可以获取复杂网络中的重要信息,帮助控制网络、预测网络演化。最初的社团检测研究集中在无向网络和非重叠社团上,但由于现实世界存在大量有向网络,以及网络中普遍存在的重叠性,重叠社团检测和有向网络社团检测逐渐成为社团检测研究的重点和热点。重叠社团检测一直是复杂网络研究领域的重点和难点之一。由于真实网络普遍存在层次结构,结合层次性的重叠社团检测方法将更适用于现实世界复杂网络的研究分析。本文基于领导度和从属度概念,并对计算领导度的条件做了适合本文重叠社团检测模型的改动。在此基础上结合网络层次性建立了一种基于领导度和从属度的重叠社团检测算法模型——从属度树算法模型。模型根据从属度值将网络重新组织为树结构,通过划分树来发现重叠节点和重叠社团。实验表明从属度树算法模型可以结合层次性检测重叠社团,并且能找到其他算法不能找到的重叠节点。划分社团的扩展模块度值大于对比算法,社团划分结果更接近实际社团结构。相比于无向网络社团检测,有向网络社团检测要考虑网络的方向信息,社团检测更加复杂困难,要将无向网络社团检测算法改进以适用于有向网络,关键在于将网络的方向性融入算法模型中。本文利用包含网络方向信息的节点出入度设计了一种节点有向领导度的计算方法,并基于节点有向领导度和从属度构建了一种节点有向领导度的社团检测算法模型。模型中通过节点有向领导度和从属度值重构网络,并对重构后的网络进行社团划分,实现有向网络社团检测。实验表明节点有向领导度的算法模型能通过从属度值更清晰地简化表示原网络,在计算机有向人工网络上与其他两个有向检测算法和一个无向检测算法进行了对比,本文算法的检测效果均比较好。节点有向领导度算法模型在较稀疏网络和较稠密网络上的表现都较好,也适用于不同社团规模的网络,在引文网络中也能准确检测社团结构。