由于真实生活中的很多系统都以网络的形式存在,它们的复杂性都比较高,例如科研中的相互合作网络、社会关系中的E-mail关系网、通话中的电话呼叫网等。近年来,随着逐渐对研究复杂网络的加深,在现实网络中,很多重要的肚质被人们所发现:小世界性、无标度性、社团结构等基本特性,其中社团结构是指:整个网络由若干个社团组成,社团之间连接相对稀疏,社团内部连接相对稠密。研究社团是以一种分而治之的方式研究整个网络的模块、功能及其演化,更准确地理解复杂系统的组织原则、拓扑结构与动力学特征,具有十分重要的意义。　　日前,复杂网络社团的划分方法大致可以分为3类:基于优化的划分方法:启发式划分方法;基于节点相似度的划分。在所有的社团发现算法中,能快速、准确的发现社团结构是很关键的。基于点边比率的模块度社团划分标准是目前最常用的衡量网络社团结构划分好坏的度量,但也存在一些问题。　　本文主要对社团发现的算法进行改进,首先介绍了复杂网络卟对社团划分的衡量标准,例如节点的出入度,模块度,精确度等。并介绍信息熵的概念和原理,基于信息论中信息熵的基本概念,分析原始模块度Q,引入信息熵的概念,形成新的模块度Q(信息熵模块度)。并用它去划分网络验证它的准确度。　　最后,对改进的信息熵算法,在经典的社会关系网络Dolphin network和College Football network,以及未知的社团结构的网络上进行了相关实验,实验结果表明,基于信息熵的算法更能准确地划分出社团的结构。