真实世界中多数复杂系统都可以被抽象为网络,而复杂网络以及与其相关的网络科学可以为我们研究这些系统提供重要的理论依据和多样的研究方法。在真实复杂系统中,社团结构是一个普遍存在的网络结构特征。它与网络的功能单元以及网络上的动力学行为紧密相关,是目前网络科学研究的热点之一。为此,学者们提出了大量的社团挖掘算法来挖掘网络中的社团结构,试图更好地理解复杂系统。随着系统规模的不断增加以及系统中个体之间的交互关系日渐趋于复杂,能够准确、快速地挖掘复杂系统中的社团结构仍然是众多社团挖掘算法的研究目的,这里我们重点研究针对大规模社交网络的快速社团挖掘算法。本文以社会网络上观点同步的动态距离模型为基础,通过研究节点间距离变化趋势和距离变化速度,针对基于动态距离模型的Attractor算法作了两方面的改进。本文研究的内容主要有以下两个方面:1)提出了基于点对距离变化趋势的快速社团挖掘算法。本文根据动态距离模型中多数节点对距离的变化趋势基本保持不变的现象,以“依据距离变化趋势确定点对之间距离最终值”为改进思路,提出了一种基于点对距离变化趋势的快速动态距离社团挖掘算法。具体地说,算法通过设置一个滑动时间窗口,并根据窗口中显示的距离趋势作为判断距离最终稳定值的依据。通过在人工合成网络和真实数据网络上的实验,验证了本文算法不仅可以保持Attractor算法的社团挖掘准确度,而且可以显著减少整个网络距离收敛需要的迭代次数,从而提高社团挖掘的计算效率。2)基于点对距离收敛速度的异质性提出了一种挖掘社团结构的快速算法。本文以节点对之间的距离具有不同收敛速度为依据,通过将距离变化趋势和点对周围距离收敛状态结合,提出了新的动态距离改进算法。该算法不但可以加速Attractor算法的运行速度,也可以解决在社团结构复杂的网络上应用趋势判断距离最终稳定值准确度不高的问题。我们的算法提出了三种判断规则,首先找出距离变化缓慢的节点对,然后根据其周围距离收敛状态提前判断出距离最终值。同时针对只有一个节点的社团,根据社团内节点与周围邻居的不同的距离收敛速度,提出一种优化规则,减少只有一个节点的社团数量。通过在人工合成网络和真实数据网络上与其他五种经典算法的实验结果进行对比分析,发现改进算法可以在保持高的社团挖掘准确度的同时,加快Attractor算法的运算速度,这一算法在社团结构复杂的网络中也同样有效。