随着信息技术应用的日益成熟，越来越多的真实关系网络出现于虚拟世界中。随着对真实网络认识的深入，复杂网络分析成为学术界关注的领域。对真实网络中的成员进行社区划分，并对挖掘出的社区结构进行评价在复杂网络分析中占较高地位，因而具有很高的研究价值。社区发现领域提出了众多的经典算法和许多基于统计学的社区评价方法。这些算法一般时间效率与准确率无法达到一个良好的平衡，或者算法具有依赖先验知识、无法发现社区重叠结构、结果不确定等问题。而对于经典的社区评价方法－模块度，其忽视了社区之间的稀疏性对社区结构质量的影响。针对这些问题，本文提出了一种基于局部度数与局部模块度的重叠社区发现算法，ELMDMR算法。算法采用扩展的局部度数方法筛选出的核心节点，基于修改的局部模块度结合强社区定义的社区扩散策略对社区结构进行提取。基于经典模块度忽视社区间稀疏性这一问题，本文对社区经典评价方法模块度进行扩展，提出一种新的社区评价方法－MEQ。该指标综合考虑社区内密度与社区间密度对社区结构质量的影响。在多个真实网络中对本算法效果进行验证，结果证明本算法具有较低的时间复杂度、无需先验知识、能够发现社区之间的重叠结构且重叠度较低，在保证良好社区结构的前提下能够得到比较准确的社区结果。经过对数个社区划分结果评价进行对比，证明MEQ指标对社区之间的稀疏性拥有更高的识别效果，对偏重社区内密度而忽视社区间密度的社区划分结果可以给出更加客观的评价结果。