社交网络中存在关系不均匀的现象，形成了社区结构。网络中的社区结构有助于简化网络拓扑结构分析，揭示系统内部的规律，能够为信息推荐和信息传播控制提供有力支撑。因此社区发现算法的研究是网络分析的重要组成部分，能够简化网络结构分析。虽然目前社区发现算法已经广泛的应用到网络分析中，但是如何能在不需要人为确定参数，自适应的发现网络社区结构一直都是研究热点。　　本文首先提出一种基于信息传递和峰值聚类的自适应社区发现算法。定义了节点与邻居之间的信任度函数，每个节点基于信任度独立的向网络中扩散信息量。扩散结束后，节点总信息量即为峰值聚类中的密度；网络中节点之间的距离通过所含目的节点信息量的倒数归一化替代。然后，提出一种自动选取核心节点方法并为核心节点分配不同社区，把剩余节点分配到与它距离最短的核心节点所在的社区，完成社区划分。本算法的优点在于无需额外参数并且能够发现社区内部结构，实验结果验证了本算法的可行性和有效性。　　随后，在第一种算法的基础上，提出一种基于核心节点信息量的重叠社区发现算法，其利用非核心节点中所含核心节点信息量值和信息占比因子ε，判断非核心节点所属社区，进而完成网络重叠社区划分。实验结果验证了本算法优于CMP和COPRA两种经典算法。　　最后，利用边聚类能够发现重叠社区的特性，提出一种基于密度峰值边聚类和信息传递的自适应重叠社区发现算法。定义了边之间的信任度的函数，利用边之间的信息传递，确定网络中核心边，并为核心边分配不同社区，把剩余边分配到与其距离最短的核心边所在的社区，最终由边社区得到网络的重叠社区。实验结果验证本算法优于CMP和COPRA两种经典算法，同时在社区重叠度高的数据上优势更加明显。