现实生活中,很多复杂的系统可以表述为网络,常见的有:社交网络,引文网络,专家协作网,蛋白质网络等。并且复杂网络具有众多特性,其中社区结构作为最重要的网络拓扑属性之一,占据越来越重要的位置。深度挖掘和检测网络的社区结构,具有重大的意义。近年来,众多针对社区检测的算法相继被提出,但存在着低准确率,高时间复杂度,种群收敛速度慢,容易陷入局部最优等缺陷。根据上述问题,本文提出了三种社区检测算法,主要的内容如下:针对传统的无方向、非重叠的中小型网络,基于多目标优化的思想,利用进化算法中的Memetic算法框架,对种群的交叉和变异方式进行了相应的改进,提出了一种基于多目标自适应Memetic算法的复杂网络社区检测方法。通过对交叉和变异概率做动态调整,在保持种群多样性的同时,减少了搜索空间和提高了算法的运行效率。针对现实生活中的大规模网络,如何实现对大规模重叠社区的检测成为一个新的研究方向。利用多目标优化的思想,基于NSGA-II算法框架,提出了一种基于节点优先权的大规模重叠社区检测算法。通过定义一个优先级函数来评估相邻节点之间的紧密程度,探索潜在的社区结构并进一步缩小网络的规模。提高了大规模重叠社区检测的准确性,并具有较好的优化效果。针对大规模重叠社区检测存在的高时间复杂度问题,将研究方向转到具有低时间复杂度的大规模重叠社区检测算法的研究上,利用标签传播具有的近乎线性的时间复杂度优势,进行算法的改进,提出了一种基于节点亲密度的标签传播重叠社区检测算法。利用网络的局部信息,以模块度增量为依据,对网络中节点进行粗聚类,实现对节点的初步划分。然后,定义节点亲密度函数进行标签的更新和选择。有效的提高了大规模重叠社区检测的准确性和稳定性。