复杂网络作为生物系统、社会系统、交通网络、万维网等一系列复杂系统的抽象代表,其中的社团结构预示着网络中的节点聚合的趋势,所以社团结构是复杂网络的一个非常重要的属性。研究结果显示,社团的属性与整体网络的属性有很大不同,忽略对社团结构的研究很可能会错失掉很多有意义的属性。一般来说一款优秀的社团划分算法不仅需要满足较高的社团划分准确度,同时也需要满足较低的计算复杂度。在过去几年中,学者们就如何在复杂网络中划分社团提出了许多算法,但是大多都很难同时完美的达到以上两点。现今网络规模越发庞大,算法的速度越发受到人们的重视。鉴于传统模块度的局限性和计算复杂性,本文引入了相似度的概念,其计算简单并且有很好的扩展性。基于相似度,本文提出聚类算法、标签算法和多标签算法,前两种算法适用于非重叠社团结构网络,聚类算法是以相似度为基础的新模块度形式作为聚类依据,避免了传统模块度的限制;标签算法中使用基于相似度的标签选取办法,避免了传统算法中的随机选取而导致的算法不稳定问题。最后一种算法是标签算法的扩展,适用于发现网络中的重叠社团结构。将这三种算法应用于现实网络和计算机模拟网络中,并通过与其它算法比较得出本文算法都能较准确的挖掘社团结构,同时具有着较低的时间复杂度。