社区结构作为社会网络中的一个重要特征，它代表着网络中特定对象的集合，反映了社会网络中一定程度上的异构性。发现社会网络中的社区结构有助于人们更加深入地了解社会网络中的特定群体的内在规律，进而开发出这些特定群体的潜在价值。本文主要研究了社会网络中分析中的社区发现算法，针对现有的一些社区发现算法存在的问题，提出了新的解决方法。首先，研究了社会网络的基本特征，重点分析了网络中节点的拓扑相似性，发现现有的相关算法在计算节点相似性的时候，忽略了间接关系紧密的节点之间的相似性。针对这种问题，提出一种新的基于节点相似度的社区发现算法AINS，该算法能够充分考虑节点之间的直接和间接联系，使社区划分效果更佳。其次，研究了已有的社区发现算法，发现一些社区发现算法必须以社区个数、大小等作为社区发现的先验知识，但不能保证先验知识一定符合实际网络的真实情况，导致社区划分结果可能不合理。而网络中的核心节点往往控制着社区的稳定性和整体发展趋势，在社区中起着不可替代的作用。针对这种问题，本文基于核心点的重要地位，提出一种新的不依赖社区个数作为先验知识的社区发现算法ICNBC，能够利用节点相似度对核心节点进行初始划分，进而得到网络中合理的社区个数，完成社区发现过程。最后，在人工数据集和真实数据集上，对AINS和ICNBC算法性能进行了实验验证，并证明了这两种算法能够取得较好的社区发现结果。