社区发现是挖掘复杂网络数据的常用技术之一,能够揭示网络的社区结构组成,对深入理解网络结构和挖掘网络深层信息具有十分重要的意义,广泛应用于推荐系统、生物医学、公共安全等领域。论文针对现有静态和动态社区发现算法不能完全适用于混合形态网络社区发现的问题,对加权网络社区发现算法进行了研究。主要的研究内容如下:提出了基于融合相似度矩阵的静态加权网络社区发现算法MSWCD（Weighted network Community Discovery method based on Mixing Similarity Matrix）。MSWCD算法主要包含融合相似度的计算和融合相似度矩阵聚类划分两部分。首先定义了平衡节点属性与边权重的融合相似性度量方法;其次,构建了网络的融合相似度矩阵,对其进行分解聚类,得到加权网络的社区结构。实验结果表明:相较于LPA算法、Louvain算法和IEM算法,MSWCD算法在四个规模不同的数据集上具有更高的划分质量;通过分析差异节点的相似性,发现论文算法的划分结构更加合理,验证了算法的可行性和有效性。提出了基于增量节点相似性的动态加权网络社区发现算法ADWCD（Community detection of Dynamic weighted network based on Adding nodes similarity）。AD WCD 算法使用结合节点重要性改进的标签传播算法对初始时刻网络进行划分;在后序网络的划分中,结合节点相似性定义了两种类型的增量节点,通过动态划分不同类型的增量节点,得到了动态加权网络的社区结构。实验结果表明:相较于DG算法和IG算法,ADWCD算法在动态加权的真实社交网络中划分的模块度更高,且随时间推移,算法的划分结果明显更加稳定;此外,算法能够描述动态网络中节点和社区的演变轨迹,证明了算法的可行性、有效性及稳定性。论文提出的MSWCD算法解决了节点相似性计算方法中无法衡量边权影响力的问题,ADWCD算法能够发现动态加权网络中连续时刻的社区结构,发现网络的演化事件,在实验中充分证明了算法的有效性。最后,对社区发现算法的研究方向做了分析描述。