复杂系统的形成与社会发展和科技的进步是密切相关的,而个体与个体之间的联系是构成复杂系统的关键。从多种多样的复杂系统中提取出来对人们有价值的信息也是非常困难的。因此,复杂网络作为复杂系统的抽象形式被研究者们提出,在此基础上,研究者们发现了网络存在的普遍规律以及特性。随着复杂网络中的小世界特性和无标度特性以及社区结构特性等的发现,使得复杂网络的研究达到了高潮。社区是一种聚簇结构,是由节点和节点间形成的边所构成。节点在社区内联系紧密,在社区之间联系稀疏,这是最重要的社区结构特征。在现实世界中社区结构通常是以重叠的方式存在,即社区间有交叉,而一个节点可能属于多个社区。重叠社区的发现在真实网络中也越来越普遍。在多种领域的信息挖掘中,社区结构这种特性发挥着重要的作用,因此,研究复杂网络的社区结构特性具有很大的意义。本文首先对复杂网络、社区结构、社区发现算法、社区结构评价指标、LPA算法、COPRA算法的改进以及应用等话题进行了分析与研究。因为简单高效的特点,COPRA算法被广泛使用。本文将在标签的初始化和标签的传播方式两个方面对COPRA算法进行改进。本文提出的算法改进有:在标签初始化阶段提出了节点度数临界值d₀的概念、在标签传播阶段提出了使用异步传播更换原有的同步传播,以达到提高COPRA算法的稳定性和准确率的目的。在实验部分,本文首先对COPRA算法、CPM算法和改进的COPRA算法在真实网络数据集以及LFR基准数据集进行了比较与分析,主要比较了算法的准确率和时间复杂度。经过结果对比,本文提出的算法能够发现更高质量的社区结构。然后引入了DBLP数据集,在对DBLP数据集解析整理后提取出了部分数据构建了作者的协作网络,并使用本文提出的算法寻找出数据集中的重叠社区和对算法的准确性进行了验证,从而证明了本文算法能很好的应用在较大规模数据集中。