复杂网络分析中的社区发现涉及到生物学、物理学、社会网络等多个学科,至今仍是一个非常具有挑战性的问题。通俗地讲,复杂网络中的一个社区是紧密相连的子网络,并且该社区同外部网络之间连接相对稀疏。社区结构广泛存在于社交网络、生物网络、交通网络和无线传感器网络中,并能反映出复杂网络的动态特征与功能。挖掘复杂网络中的社区结构已广泛应用于恐怖组织识别、蛋白质功能预测、个性化推荐和信息检索等领域。近年来涌现出了许多方法用于解决此问题,如模块度优化算法、标签传播算法(Label Propagation Algorithm,LPA)等。然而,现今鲜有算法能够在效果和效率方面均能取得较为满意的结果。本文针对该问题进行了研究,主要目的和贡献如下:因为基于模块度最大化思想的社区发现问题是NP-完全问题,研究者们总是希望能寻找到新的元启发式算法在合理的时间内挖掘社区结构。本文提出一个迭代旋转贪心(Iterated Carousel Greedy,ICG)的混合元启发式算法用于求解模块度最大化的社区发现问题。ICG算法通过在一个贪心构造启发式算法之后迭代执行解构、旋转和重构操作以生成一系列的解。在每次迭代中,算法使用一个局部搜索过程寻找更好的解。同传统的迭代贪心(Iterated Greedy,IG)算法相比,新提出的算法中所采用的旋转贪心程序能够将搜索过程引导到更好的解空间,模拟退火类型的接受标准能够避免搜索过程陷入停滞。在人工网络和真实世界网络上的实验结果表明新提出的ICG同文献中现有的元启发式算法相比性能更加出色。标签传播算法是一种高效且易于实现的检测复杂网络中社区结构的方法。然而,LPA中的随机更新顺序和随机平衡打破(random tie-breaking)原则使得该方法具有不稳定,准确性差的缺点,甚至有时会导致怪物社区的形成。本文提出了一个改进的标签传播算法LPA-INTIM用于解决社区发现问题。该算法首先利用局部拓扑信息衡量相连节点之间的亲密性并以此构建亲密度矩阵。之后根据亲密度矩阵评估节点重要性以确保节点按照某种特定的顺序进行更新。最后在标签传播过程中,通过计算标签影响力更新节点标签。此外,本文引入了一个紧密度函数用于提高算法的稳定性。同文献中代表性的基于标签传播思想的算法相比,在人工和真实世界网络中的实验结果验证了新提出的LPA-INTIM在效果和效率均取得了明显的提升。