社区挖掘是数据挖掘和网络科学中最重要的问题之一。由于目前对于社区没有一个统一的定义,在过去的几十年里,研究人员从不同的角度提出了很多的社区挖掘算法。然而,这些算法均不能直接评估带权网络中单个社区的统计显著性。本文从假设检验的角度提出了两个方法:一个是基于Logrank检验的带权网络中单个社区真实性的评估算法;另一个是带权网络中单个社区解析p值的计算方法以及相应的社区挖掘算法。鉴于实际网络中的边权重信息包含大量的噪音,在所提出的社区评估方法中,将边权重信息建模成为删失数据。随后,社区显著性评估的问题就可以转化为对删失数据的双样本检验问题。具体而言,本文用Logrank检验对两组增广边权重集合（内部边权重集合和外部边权重集合）进行显著性检验。为了验证所提出方法的有用性,本文在带权网络数据和无权网络数据上对所提出的方法进行了实验。结果表明,在单个社区显著性评估的实验上,本文所提出的方法优于之前广泛使用的评价指标。由于上面所提出的社区评估指标的复杂性,不适合将它作为社区检测算法的目标函数。因此,为了解决能直接在带权网络数据中通过衡量单个社区的统计显著性而进行社区发现的问题,本文又提出了一个能够在带权网络中计算单个社区p值的新方法。所提出的p值计算方法能够直接评估一个候选社区在随机带权网络中出现的统计显著性。为了验证所提出的p值在社区评估中的有效性,本文将所提出的p值作为局部搜索过程的目标函数,并设计了一种新的社区发现算法。在仿真数据以及真实数据上的实验结果表明,本文所提出的新算法能够达到与现有的社区挖掘算法相当的性能。