在许多真实的网络中都存在模块或社区。社区的检测是社会网络学习的重要的课题，对于我们了解社会网络的内部关系和结构，进而应用到与社会网络相关的很多领域都有重要的意义。传统的基于相似度的社区发现算法比如GN算法在计算的时候时间复杂度非常高，而基于相似度的社区发现算法的结果主要取决于相似度的选择，有些相似度选择可能使得结果更准确，但是针对规模较大的网络，时间也要是考虑的主要因素之一，所以可以根据网络的不同要求来选择相似度的不同度量方法。目前基于相似度的算法中有两个经典算法，分别是GN算法以及AP算法。GN算法中的时间复杂度非常高，针对这个弱点，可以提出一种基于扩散核特征矩阵相似度的分裂算法和一种基于DSD相似度的分裂算法。这两个算法都是基于网络拓扑结构的算法，避免了GN算法中的计算边介数的时间复杂度高的弱点。实验的结果表示，两个算法的划分效果和GN算法差不多，在效率上有很大的提高，对于相似度的度量方法的研究有一定的价值。Newman贪婪算法是近期社区发现的一个主要算法，拥有准确快速的特点，但是当社区规模过大时，可能会使得社区规模分配不均。在比较基于扩散核特征矩阵的相似度和基于DSD相似度度量方法的优缺点之后，使用DSD相似度度量算法结合Newman贪婪算法(CNM算法)，既结合了CNM算法快速准确的优点，而且在一定程度上避免了CNM算法的社区规模分配不均匀的情况。