社团结构是复杂网络的一个重要特性,网络中的社团通常对应于具有独特功能或属性的模块,将这些模块从网络中提取出来,有利于对网络功能作进一步分析。例如,在生物学领域,蛋白质相互作用网络中的社团对应于具有相同结构或功能的蛋白质组织;在社会学领域,社交网络中的社团对应于具有共同点的个体的集合。因此,社团检测研究具有重要的理论研究意义和实际应用价值,受到不同领的研究人员的广泛关注,并提出了大量的社团检测算法。在对这些算法进行深入研究的基础上,本文充分利用相似性规则,提出了一种基于最优特征向量的谱二分社团检测算法和一种基于相似性闭包的社团检测方法。基于谱二分法,并针对谱二分法固定地根据某一特定的特征向量对网络进行分裂这一特征,本文提出了BSOE算法。该算法是一种使用最优特征向量的社团检测方法,从网络转移矩阵中选择能够使网络分裂时模块度增量最大的特征向量,直到网络的分裂无法增大模块度为止。BSOE算法能够充分利用矩阵的特征谱信息。为了能够更充分地利用网络的邻接信息,本文对有边相连的顶点对进行相似性计算,将其作为该边的权值,并应用于BSOE算法,使其能适用于有权网络,能够从网络中提取模块度更大的社团结构,形成WBSOE算法。本文提出的第二种算社团检测方法CDCS算法是基于相似性度量,并将相似性度量作为判断顶点之间的函数依赖关系的规则,以判断两个顶点是否属于同一社团。在此基础上,CDCS算法定义了顶点的函数依赖闭包,该闭包中的顶点都可能属于同一个社团。然后从所有顶点的函数依赖闭包中寻找最大闭包,也就是闭包出发顶点不被任何其他闭包含有的函数依赖闭包,作为网络的社团。在解决最大闭包之间的重叠问题后,最后得到具有明确边界的社团结构。为了验证提出的社团检测方法的有效性,本文在多个网络数据集与多个算法的运行结果进行了深入的比较。实验结果证实,本文提出的算法能有效地从网络中提取出高质量的社团结构。