复杂网络理论有助于理解研究对象间复杂的拓扑关系和动力学行为，其在互联网、社会学、生物学等研究领域中发挥了重要作用。复杂网络的聚类分析是复杂网络研究的一个重要方面，对理解网络的拓扑结构及功能特征、挖掘社团的潜在意义，对信息推荐及预测网络的行为等都具有重要意义。目前，研究真实系统中的社团结构，由于仅研究模型的结构信息，因而忽略了其研究对象的特性和意义。而新兴学科——计算社会科学，作为涉及社会网络分析、政策预测、计算科学和复杂性科学的交叉学科，旨在通过收集和分析数据来研究个人或群体的动力学行为，从而促使社会学研究由定性分析走向定量分析。本文应用计算社会科学的方法研究复杂网络中局部网络的特征，指导社团发现过程，不仅弥补了复杂网络先验知识缺乏对聚类带来的困难，而且有利于发现有社会学意义的社团结构，同时，也促进了社会学理论在大规模网络中的验证分析。本文首先对复杂网络中节点的角色地位、幂律分布特性、弱关系理论进行了简单分析；其次，基于异质模拟数据集对加权复杂网络社团评估指标进行了分析与比较，并基于4种数据集对三种复杂网络聚类算法进行了对比；再次，基于幂律分布理论、弱关系理论、两级传播理论等，从计算社会科学的角度提出新的复杂网络聚类算法，并结合4种数据集与已有算法进行对比分析；最后，针对Liu及Barabasi等提出的研究复杂网络可控性的模型，本文基于传播免疫的思想对其进行了初步修正，并基于社团结构对复杂网络可控性进行了初步研究，探索社团结构的新标准。