社区发现是网络科学中一个重要的研究课题,其目标是从一个网络中找出一些紧密相连的节点的子集。迄今为止,诸多从不同角度出发的社区发现算法被陆续提出,但是其中的大多数都忽略了社区的统计显著性。借助社区的统计显著性是否可以获得质量更高的社区,以及能否将统计显著性作为一个评估社区质量的标准等问题目前尚未得到解决。为了挖掘统计显著的社区,本文提出了两个计算p-value的方法。其中一个直接计算社区的p-value,另一个则是计算单个节点的p-value。本文基于假设检验提出了直接计算社区p-value的方法,原假设是给定社区中边的数量与随机零模型中边的数量没有差异,p-value则是在节点保持不变的情况下,随机零模型中比给定社区中的边更稠密的社区的概率。将p-value作为社区挖掘过程中的目标函数,通过对当前社区增加或者删除节点来优化目标函数进行统计显著的社区挖掘,并且将社区p-value的计算方法用于蛋白质复合物的评估中。实验证明,借助该方法挖掘统计显著的社区切实可行,评估蛋白质复合物表现突出。本文提出的单个节点p-value的计算方法则是通过基于Gehan’s Generalized Wilcoxon Test假设检验过程实现的,原假设是节点在社区内和社区外的度序列没有差异,p-value则是借助上述检验统计量服从标准正态分布获得的单边概率。利用单个节点p-value的计算方法,设计了一个基于FDR的统计显著社区挖掘算法。统计显著社区挖掘算法是多个统计显著社区的挖掘过程,在单个社区的迭代挖掘过程中,首先确定一个种子节点,使用该节点构建初始社区,通过社区相关节点的p-value迭代更新社区,直到社区收敛。当网络中没有种子节点可供选择,则停止统计显著社区挖掘算法。实验结果表明,该方法在统计显著社区挖掘方面表现不俗。