社区发现在复杂网络及其应用中一直属于热门的研究课题。随着这些年来复杂网络研究的迅速推进,社区发现算法的研究引起了各领域学者的广泛关注。其相关研究在物理学、社会学、生物学、医学、心理学、广播传媒等学科方面被大量运用。一方面,通过网络结构准确的划分,对社区发现算法的学习,使我们更加了解其内部结构与属性,对生活中存在的各类网络结构也有着更加深入的了解。另一方面,提高社区发现的准确度,增强网络结构的鲁棒性,优化网络结构,或对商业划分网络消费人群都有着特别关键的理论价值和应用意义。在众多的社区发现算法,标签传播算法以众多的优点脱颖而出。但却在执行的过程中,存在一定缺陷。本课题主要思想是针对标签传播算法执行过程中的随机性选择导致算法的准确率低、稳定性较差的缺点,对其进行改进后给出两种算法,充分体现出节点中心性在社区发现中的作用,降低忽略将节点自身权重的影响力而进行随机性选择更新标签造成的算法划分结果误差性。本文主要思想是针对传统标签传播算法在各阶段存在随机性的缺陷,对算法的执行过程提出了相对应的改进方法。对节点在网络范围内的影响力大小进行衡量,降低了算法在执行过程中因忽略自身属性而被平等对待,发生的随机性选择概率。主要工作包括:一、将局部重要节点和节点中心性的概念融入到算法改进的思路中,将标签分配给选出的局部重要节点,然后进行标签更新。从实验各项评估指标了解到,相较与几种相关算法划分结果,改进算法在准确度和稳定性上均略胜一筹;二、将LeaderRank中心性的概念引入到原LPA算法的改进中,依据LeaderRank方法的特性筛选出的重要节点进行降序排列。将局部重要节点锁定为传播源,以其他策略开始对标签进行传播。从实验结果对比得出,本文给出的改进算法与对比算法在相关评估指标中突显出一定的优势,准确率得到很大提升。