现实世界中的网络往往会随着时间推移发生动态的变化,其网络社区结构也会随之发生改变。在动态变化的网络中实时检测社区结构,获取网络上的社区演化过程,对分析网络中实体以及实体间关系的变化对网络结构的影响具有重要意义。现有的动态网络社区检测算法大多时间复杂度高,不能应用于动态变化的大规模网络的社区检测。基于增量的动态网络社区检测方法时间复杂度低,但是由于增量处理不够完善导致社区检测结果不够准确。另外,现有基于增量的算法存在长期一致的问题,即在处理增量时,仅考虑网络局部的社区结构变化,随着时间推移,网络全局的社区结构变得合理。最后,现有增量方法都无法检测出异构网络上的社区结构,而现实中的网络大都是异构的。为了快速、准确地检测动态异构信息网络上的社区结构,本文提出了一种基于增量分析和多路网络抽取的动态异构信息网络社区检测算法(Dynamic Community Detection Algorithm based on Incremental Analysis and Multiplex Network Extraction for Heterogeneous Information Network,HIAME)。首先,提出了一个改进的基于增量的动态同构信息网络社区检测方法HomoIA,该方法在全面考虑了所有网络增量类型的基础上,通过重新定义节点的社区归属度指标并改进现有的网络增量处理策略,从而提高基于增量的社区检测算法的准确性。然后,通过引入多路网络将HomoIA推广到异构信息网络的社区检测中,并通过定义全局监测量解决现有基于增量的社区检测算法无法保证全局社区结构良好的问题。本文使用微软学术网络、Yelp网络和LFR基准网络作为实验数据集对方案效果进行验证,使用模块度Q、归一化互信息NMI以及检测社区数目三个指标对提出的HomoIA和HIAME算法性能进行评估,使用图形化工具对算法检测到的网络社区演化行为进行展示。实验结果表明,本文提出的算法在保证低时间复杂度的同时,提升了现有基于增量方法检测得到的社区结构的质量,并能检测出同构和异构信息网络中各种可能的社区演化情形。本文首先介绍了动态信息网络社区检测的研究背景和研究现状,总结并分析了当前相关研究存在的问题。然后详细阐述了动态同构信息网络社区检测算法HomoIA和动态异构信息网络社区检测算法HIAME。最后对本文提出的算法的效果进行了展示和评估分析。