本文旨在探讨如何有效利用复杂网络中的背景信息进行鲁棒性的社团发现。这里的背景信息主要是指:网络中结点的属性和半监督信息。针对上述两类信息,本文分别设计了两类社团发现方法。在第一个方法中,我们重点关注的是网络社团与语义话题之间的关系,以稳定地发现具有强可解释性的网络社团。本文将具有适当先验信息的转移概率矩阵引入到一个设计良好的非负矩阵分解模型框架当中,新引入的转移概率矩阵可以很好地描述网络社团与主题类簇之间的内在关联。为了验证第一种方法(Robust and Strong Explanatory Community Detection,RSECD)的有效性,我们在人工基准数据集、及各种类型的真实网络上进行了丰富的实验。结果表明,我们的新方法RSECD在精度上明显优于基准方法及一些不同类型的社团检测算法的。我们还通过一个在音乐在线社交网络上的案例分析,验证了新方法RSECD对于检测到的网络社团的强可解释性。第二套方法主要是利用了网络中的半监督信息来进行社团发现。由于图卷积神经网络和马尔科夫随机场能够优势互补,本文将网络导向的马尔科夫随机场从形式上转化为图卷积神经网络中的第三层(最后一层),以实现端到端的、社团导向下的图卷积神经网络方法。为了验证该方法(Markov Random Field as Graph Convolutional Networks,MRFasGCN)的优势,我们首先在9个不同规模的真实网络上定量的比较了基准方法GCN及其对应的两阶段算法,然后在Cora数据集上定性的分析了新方法纠正了哪些被图卷积神经网络方法分错的结点,最后与七个代表性的社团发现方法进行了精度比较,结果均显示了新方法的优越性能。