互联网和社交媒体激发了对社交网络分析的巨大兴趣,社团检测已经成为社交网络挖掘的重点领域之一,具有十分重要的研究意义。算法和工具不断被开发来分析我们的个人关系、社团关系,这在帮助我们研究群体之间相互作用、预测复杂系统的隐含关系的同时,也引发了隐私问题。因此,在本文中我们对社团检测和社团隐藏问题进行了研究,提出了一种基于粗糙集理论挖掘频繁项集的社团检测算法FIR（Detect Community by mining Frequent Itemsets based on Rough set theory）,以及基于遗传策略的社团隐藏算法GCH（Community Hiding algorithm based on Genetic strategy）。（1）基于粗糙集理论挖掘频繁项集的社团检测算法FIR。该算法首先应用多次随机游走获得节点序列组;然后,在粗糙集理论的指导下,我们通过挖掘节点序列组中下近似区域的频繁项集来构成初始社团;最后,网络中还有一些社团归属较弱的边缘节点没有进入任何初始社团,为了确定这些剩余节点的归属,我们设计出基于模块度划分的FIR–M和基于归属度划分的FIR–A两种策略,来完成社团的划分。我们在一些真实网络和合成网络上展开了实验,并与一些广泛使用的社团检测算法的检测结果进行了对比。实验结果证明,FIR可以有效地获得高质量的社团结构,其结果明显优于对比算法的结果。（2）基于遗传策略的社团隐藏算法GCH。该算法基于遗传算法框架,通过调整外来社团的社团归属以及与初始网络的连边,将外来社团隐藏进原始网络,从而使社团检测算法无法将外来社团成员识别在同一个社团中,即社团检测算法对外来社团的检测失效。GCH采用归属矩阵和邻接矩阵共同编码,首先,初始化外来社团与原始网络的连接,生成P个新的网络（个体）;然后,在P个网络上迭代地进行交叉、变异操作,并构建安全分数S和预算分数B作为适应度函数来评估个体的质量,迭代结束后,我们使用NSGA-Ⅱ算法选择第一前沿的帕累托最优解,作为外来社团隐藏进原始网络的最终网络结构;最后,我们在得到的网络结构上执行社团检测算法,使用隐藏分数H来评估外来社团的隐藏效果。实验证明,GCH可以有效地隐藏外来社团,使社团检测算法对外来社团的检测失效,但FIR却相对其他社团检测算法有较高的检测性能。