随着近年来计算机技术的迅猛发展,网络的复杂程度以及数据量逐年增加。因此,可视化在复杂网络的分析研究领域变得越来越重要。在许多的可视化方法中,依据社区发现进行可视化已经成为一种趋势,并且在复杂网络研究领域取得了良好的效果。本文对复杂网络中的社区发现及可视化进行了研究,主要完成的工作有三部分。第一部分是尝试在复杂网络社区发现的过程中通过引入模糊数学的思想,实现动态的网络社区划分,更好的展现网络特性。本文选取了节点的度中心性和接近度中心性作为节点重要性测度。在具体的实现过程中,应用第一次F模式识别确定社区的核心影响力节点,第二次F模式识别确定非核心节点应属的社区,两次F模式识别就可以完成社区的划分,识别方法都是F模式识别的直接方法,使用最大隶属度原则。第二部分是尝试应用模糊数学思想,将两种测度综合考虑来实现社区发现。与单测度主要区别在于第二次F模式识别需要同时考虑两个测度,因此需要采用F模式识别的间接方法,采用F集的贴近度进行识别。最后,本文提出了基于划分结果的可视化方案,通过Processing语言搭建了可视化平台。实现了以环形布局为基础的环形嵌套布局和以力引导模型为基础的牵引聚和布局算法。尝试实现社区划分结果的动态展示,方便对网络特性的研究,并最终取得了良好的效果。总而言之,本文不仅通过引入模糊数学理论成功实现了基于F模式识别的复杂网络社区划分,还设计并实现了可视化算法将划分结果展示了出来。本文算法具备实用性的同时,也为复杂网络可视化领域理论研究提供了一个崭新的视角。