社区发现是复杂网络研究中很重要的一部分,其目的是将网络中一群具有相同或相似特性的节点归为一类群体。在人们的实际生活中,社区发现发挥着很重要的作用,如对可能发生的危险进行预警、根据个人兴趣进行推荐、对社会舆情进行分析等。传统的社区发现算法大多基于静态社区进行发现研究,并且积累了大量实验及结论。但是现实世界的网络无时无刻不在发生着变化。同样,网络中的社区形态也会随着网络变化而演化出不同结构,社区会产生、解散、合成、分解、扩张、收缩等变化,社区成员之间也不会单纯属于某一个社区,一个成员可能会同时属于多个社区。这样分析,传统的静态网络社区发现算法已经难以满足当前复杂网络世界对于社区发现的需求。因此,对动态的重叠社区发现的研究与探索势在必行。本文介绍了社区发现的相关理论,阐述了比较有代表性的针对静态社区和动态社区发现的算法并分析了各算法的优点和不足之处;深入分析了一种能够应用于重叠社区发现的算法——COPRA,并针对COPRA算法在标签传播过程中的不稳定性和随机性等方面进行改进,通过引入熵概念提出节点熵来衡量节点重要性,进一步提出了综合节点熵、标签从属系数、节点度数三种因素的标签价值概念,提出CI-COPRA算法。最后将该算法分别在四个真实数据集和两个不同规模的人工数据集上进行实验验证,然后与4种其它经典社区发现算法进行对比,结果显示该算法较改进前随机性降低稳定性有所提高,在社区发现方面有较好的效果。随后以提出的CI-COPRA算法划分初始社区,根据不同类型网络增量进行分析,引入社区核心、社区相似度等概念判断社区演化情况,提出DCI-COPRA算法。并通过拓展全局模块度概念提出模块度变化量概念,作为衡量网络划分质量好坏的标准。在人工合成数据集上构造9个时刻的网络社区,并将其与另外4种动态社区发现算法进行对比,结果证明DCI-COPRA算法能够较准确捕捉网络在各个时间段的社区演化情况,且算法划分社区质量较高。