在日常生活中,许多较为复杂的系统,例如移动通信系统、电力系统、人际社交系统、城际交通系统等,都具有复杂网络的特点,将组成这些系统的个体称为节点,个体之间的联系作为复杂网络的边。节点与节点之间相互汇聚(分离),形成了分簇,称为社区,想要分析复杂网络,需要找出网络中的不显眼的社区并分析社区的结构,由于复杂网络的科学与应用市场价值很大,因此社区检测技术受到多数研究者的探讨。本文针对目标函数优化的社区检测问题,结合布谷鸟算法的思想框架,设计两种智能优化方法,即基于基因保留和离散差分的布谷鸟社区检测方法(GDCSA)和结合爬山搜索策略的多目标社区检测法(MCD-HSS)。GDCSA从单目标的优化方向出发,以常用的模块度函数做目标函数,为了克服传统布谷鸟算法普遍运用于连续函数优化问题的不足,全局搜索上采用随机游走结合优质基因保留的方式更新鸟巢位置,加大更新过程的灵活性同时提高了搜索效率,精英搜索阶段,通过采用改进的logistic函数将莱维飞行中的随机步长做映射,提升种群的质量,加快搜索过程,同时后期为了保证种群多样性,采用了差分进化的方式,实验表明该算法具有划分准确性,且在部分网络上的评价指标优于对比算法。MCD-HSS算法从多目标的优化方向出发,采用两种改进的函数作为目标函数,全局搜索与单目标搜索策略保持一致,局部搜索上引入操作简单且易于实现的爬山算法,进一步提升了鸟巢的质量,实验表明,在层次结构上,算法可以获得不同的结构划分,且一些评价指标优于对比算法。