近年来,由于网络的迅速发展,复杂网络变得越来越难以有效的检测,不仅是因为网络的规模的骤增,还因为网络中的节点包含着丰富的内容。另外,网络的节点也不在仅仅处于一个社区内,还有可能与多个社区有所联系。因此,对于重叠社区和属性社区的检测,是本文所研究的重点内容。如何从复杂的网络中识别关键的信息,发现其社区结构,有着极其重要的现实意义。社区结构作为复杂网络的一种重要特征,对于理解整个网络的结构特性、节点功能以及演化机制起着至关重要的作用。对于如何有效的利用网络中节点连接的信息,以及属性网络中的属性信息是当前的一大挑战。本文针对现有的社区检测的算法提出三个改进方法,其具体研究内容如下所示:（1）提出了一种基于中心节点和节点连接强度的多目标进化算法用于重叠社区检测。该方法首先利用节点与节点之间的连接强度得到一个强度矩阵,利用强度矩阵来代替原始的邻接矩阵。这不仅使得原有的数据结构得以保留,还包括了一些节点的隐藏信息。然后根据节点的特性选出中心节点,用中心节点来表示复杂网络的社区中心,并将其编码为初始种群,利用进化算法进行优化得到更好的社区中心节点。最后根据节点的强度矩阵对其他节点与中心节点进行隶属度分配,得到社区分配的结果。该方法对重叠节点和非重叠节点分别提出两种不同的更新方案,以实现有效的优化,来保证种群的收敛性和多样性。（2）提出了一种基于潜在表示学习和图正则非负矩阵分解的属性社区检测算法。首先,该算法将属性网络中的拓扑信息和属性信息分别用非负矩阵分解的模型进行分解,得到节点的成员分布矩阵和节点属性分布矩阵。其次,对属性矩阵构建一个亲和矩阵,利用潜在表示学习的方法得到属性信息的潜在表示。另外,根据马尔可夫转移概率构建一个转移矩阵,将成员分布矩阵和属性分布矩阵联系起来。最后,引入图正则项分别构建以拓扑结构为主导的模型和以属性信息为主导的模型。（3）提出了一种基于个性化网页排名算法的图卷积网络用于属性网络社区检测。首先,该算法利用图卷积算法对于融合节点拓扑结构和属性信息的强大特性,在此基础上使用个性化网页排名算法,将模型中的预测过程和传播过程进行解耦。另外利用改进的密度峰值的方法,进行局部结构中心采样,作为训练集,用于训练算法模型。最后,利用k均值方法将结果进行聚类分析得到社区检测的结果。