复杂网络的研究对于理解个体在系统中的行为有着很大的帮助,能够揭示系统中隐含但很少被人们关注的现象。近年来,社区结构作为复杂网络研究的一个重要方面,得到了人们的广泛关注。结合目前的研究现状以及存在的问题,本文主要创新性工作及研究成果概括为以下四个方面:1)提出了节点相关强度的社区检测算法。根据节点在网络中的邻居数以及与邻居的连边的权重,通过概率分布函数确定节点以及节点对被选择的期望,计算出相应的节点对的相关性,通过将相关性较大的节点对的两个节点划分到相同的社区中,以便达到划分社区的目的。实验结果表明,与传统的算法相比,本文算法在给出较高模块度的基础上,能够确保社区的数量与实际相近。2)提出有向网络转换为无向网络的转换算法。现实世界中的个体间的交互存在着善意或者恶意的含义,并且交互是存在方向性的。我们首先提出了亲和力指标衡量个体在网络中的受欢迎程度,然后使用亲和力指标迭代更新边的权重,使得网络达到或者接近动态符号一致性状态,最后将有向网络转换为无向网络。3)提出了改进的符号模块度指标以及适用于无向符号网络的社区检测算法。现有的评估符号网络中社区结构质量的符号模块度函数,是通过加权的形式来计算模块度,没有考虑到符号网络的符号特性,因此,我们提出了能够表示符号网络的符号特性的改进的符号模块度函数,并提出基于重构网络的社区检测算法,随着算法的执行逐步降低网络规模。实验结果表明,新算法在性能和效率上并不比现有的算法差,并且新算法能够给出符合实际的结果。4)提出符号局部模块度指标,并提出基于局部信息和动态扩展的社区检测算法。当网络是动态变化或者规模较大时,获取网络的全局信息就变得很困难,甚至是不可能的,因此,利用局部信息来检测社区结构就变得很有必要。我们首先提出了符号局部模块度指标来衡量局部社区的质量,使得每个局部社区的质量达到最优,进而达到全局的最优。实验结果显示,新算法给出了与现有算法相同的结果,这说明用局部信息挖掘社区结构是可行的,且在推荐领域更具优势。