由于复杂网络可以用于建模大部分的复杂场景和系统,因此关于复杂网络的研究得到了社会各界广泛的关注和探索,使得复杂网络的理论和应用也得到了长足进步与发展。作为复杂网络的主要特征之一,社区结构是复杂网络研究领域的重点内容;虽然,目前关于静态复杂网络社区发现的研究已经提出了许多行之有效的方法;然而,随着探索的深入,研究人员发现动态特征存在于大部分的实际网络中,随着时间的推移网络中的节点和边会随之发生变化,且发现动态网络中的社区结构以及其演化规律,可以更好的分析和观察网络中的隐含内容、层次关系和拓扑结构;因此,关于动态网络社区发现算法的研究具有更重要的意义和价值。本文首先阐述了复杂网络以及社区发现的基本概念,然后分析了几种当前常用的静态社区发现算法和动态社区发现算法,归纳和总结了当前社区发现算法的优点和不足。针对动态加权网络中的演化社区结构发现算法(Evolutionary Community Structure Discovery,ECSD)中存在的社区划分结果、划分精度和过多人为阈值设定的问题,本文提出了一种结合历史网络社区结构的算法,即动态加权网络中的演化社区发现算法(Evolutionary Community Detection Algorithm,ECDA);该算法分为两步:(1)以历史社区结构信息和历史网络结构信息为参考,综合当前时间跳网络结构,计算当前时间跳的输入矩阵;(2)然后通过该输入矩阵计算得到结合历史时间跳信息的社区划分结果。本文对该算法在人工网络数据集和真实网络数据集上进行了实验验证;实验结果表明本文提出的算法有以下优点:(1)可以自动发现动态加权网络中每个时间跳的社区结构;(2)该算法对网络结构的变化和社区结构的变化具有较高的敏锐性。与其他经典算法对比,本文提出的算法可以有效地发现动态加权网络中的社区结构,具有较好的稳定性、鲁棒性和竞争力。而且,本算法只需要简单网络节点关系数据即可,不需要诸如社区数量、节点标签等网络信息,数据集获取较为便利,从而具有了更高的应用价值和更大的适用范围。