近年来,随着互联网及其上虚拟网络的规模日趋庞大,拓扑结构也越来越复杂。在这种复杂的网络结构中,个体偏好和群体关系具有很大的应用价值,而社区发现技术,是挖掘个体偏好及群体关系的基础性方法,得到了研究者的广泛关注。但是,当前的社区发现算法存在需要人为设定一些参数以获得准确的社区结构的问题,还有一些经典的社区发现算法无法挖掘网络重叠社区,这些问题都影响到复杂网络环境下社区发现的准确性。针对以上问题,本论文以复杂网络为研究环境,重点对社区属性以及重叠社区进行了分析研究,提出了一种能够适用于复杂网络的预处理模型以及一种重叠社区发现算法。论文的研究工作得到了国家自然科学基金项目(No.61172072、61271308)、北京市自然科学基金项目(No.4112045)和高等学校博士学科点专项科研基金(No.20100009110002)的支持。本论文的主要工作包括以下两个方面:(1)以马尔科夫聚类算法为基础,提出复杂网络社区的预处理模型。该预处理模型能够从复杂网络中分析出节点的重要性信息,得到网络中的中心节点,并能够根据得到的网络边结构信息,对已知的网络拓扑结构进行边权赋值。结合中心节点与边权赋值结果,进而得到预处理网络。该预处理网络中包含社区发现算法所需的先验性信息,因此能够降低人为设定参数对社区发现算法准确性的影响。(2)提出了一种基于随机游走的多标签重叠社区发现算法(Multi-Label Propagation algorithm based on Random Walk,简称 RW-MLP 算法)。本论文中,RW-MLP算法结合随机游走的全局性优势,利用经过预处理得到的网络结构信息,构建标签矩阵并进行标签传播,最后根据标签得到社区划分结果。RW-MLP算法在保证社区划分全局性的同时,起到了减小随机性、平衡社区规模的作用。本论文还分别在人工网络数据集与实际网络数据集上对预处理模型和RW-MLP算法进行了测试。数值计算结果表明,预处理模型能够得到准确的网络结构信息,并且能够提高社区发现算法的划分结果准确性,同时相对于其他重叠社区发现算法,RW-MLP算法的准确性也有了显著提高。