社团结构作为复杂网络普遍存在的共同特性，表现为社团内部的节点联系紧密，而社团间的节点联系相对稀疏。社团结构呈现出层次性特征主要表现为大社团包含小社团，而小社团又包含更小规模的社团。基于社团层次结构的算法不断被提出用于发现网络的层次社团结构，尤其Newman提出的模块度更是将复杂网络发现社团结构推向一个新的高度，然而随着对社团发现算法研究的不断深入，尤其是网络节点规模的不断增大，众多的社团发现算法难以适应大规模网络社团的发现，出现算法划分精度低以及算法时间复杂度过高的缺点。针对复杂网络算法的划分精度问题以及针对加权网络如何取得好的社团划分效果问题，本文做出以下工作：(1)针对无权网络算法划分精度低的问题，提出一种基于节点相异度的社团划分算法，算法通过度和接近度的标准，从而实现对网络中核心节点的选取，后通过节点的相异度合并节点，形成第一次划分，后采用全局优化策略再次划分社团，有效地实现对网络的层次划分，实验结果表明算法的划分精度。(2)针对加权网络的社团划分，利用实际收集的股票数据，建立加权的股票网络。由于股票网络中股票所呈现出的角色的差异性，通过对股票活跃性进行定义，选出网络的活跃性股票，后基于加权网络的社团间的相异度对加权网络进行第一次合并，形成高凝聚性的小规模社团结构，后基于形成的小规模社团结构再次进行全局网络社团划分。通过对算法的实验结果的分析，算法能有效的选出网络的活跃节点，并且将其他算法运用于建立的加权网络并进行试验比较分析，显示出算法的优越性。