复杂网络在图论分析中有重要的研究价值,涉及各个学科领域,如:物理、通信、生物等。许多学者研究发现虽然复杂网络具有数据庞大、连接关系错综复杂的特点,却存在着一些重要的结构特征,如:社团结构、稠密性和层次连接等。在复杂网络的研究中,提出了一些社团划分算法,用来分析复杂网络社团的结构特征。本文为了分析节点间更精确的社团划分特性,通过研究节点间的相似关系,提出了新的社团划分算法。传统的节点相似度矩阵主要通过节点间的共同邻居个数构建的相似度矩阵,一些算法在此基础上还考虑了节点间的度矩阵,但对一些社团的划分结果仍然不是很精确。本文提出的基于节点相似度的社团划分算法在共同邻居和度矩阵的基础上,又考虑了节点间的距离矩阵。改进的相似度矩阵不仅对单层级网络社团的划分具有很高的适用性,同样,对双层级和多层级网络的社团划分也有较高的准确率。本文在对复杂网络的社团划分中,主要从两个方面进行分析:单层级网络和多层级网络。单层网络的社团划分中,通过改进的节点相似度矩阵,再结合K-means和FCM聚类算法,对五个经典的复杂网络进行社团划分。通过分析这两种算法在不同层级的相似度评价指标,对划分后的社团和原网络社团进行相似度评估。由于单层网络考虑的是节点的邻居矩阵,但对一些相对比较复杂的网络结构:两个节点间的共同邻居个数和最短距离相同的情况下,还需要考虑邻居节点的邻居节点矩阵。基于此,进一步定义了多层级网络的节点相似度计算方法。本文主要通过对双层级网络进行社团分析,通过多层级节点相似度计算公式计算网络的相似度矩阵。在双层级网络的社团划分中,在相似度矩阵的基础上,通过K-means和FCM算法对五个复杂网络进行社团划分,再通过社团相似度评价指标对划分后的社团与原网络社团进行相似度比较分析。通过对结果的分析比较,可以得到:多层级网络的社团算法相似度值总体要高于单层级网络。K-means算法适合处理数据量较大、社团个数较多的复杂网络,FCM算法适合处理数据量较小、社团个数较少的网络模型,且K-means算法的相似度评价指标值相对FCM算法更高,社团划分效果更精确。