现实世界中诸多系统都可以抽象化为一个个复杂网络,网络结构研究对网络的管理具有重要意义。社区是网络的一种重要结构拓扑特性,社区发现对于复杂网络的研究具有至关重要的作用。社区发现本质上是一种基于图的聚类算法,许多学者运用聚类算法来解决社区发现问题。密度峰值聚类算法（Density Peaks Clustering,DPC）是一种新的基于密度的聚类算法,具有简单高效的优势。但是在解决流形数据时,由于原始密度峰值聚类算法的密度度量方式,DPC无法精准地识别出聚类中心,后续的分配自然也变得无效。因此,针对以上缺陷,本文对密度峰值聚类算法进行改进,并成功将其应用到社区发现过程中。本文主要研究的内容如下:（1）针对密度峰值聚类算法在处理流形数据时,难以正确找到聚类中心的问题,本文提出了一种基于Jaccard系数和标签传播的密度峰值聚类算法（DPC-JSLP）。通过引入Jaccard系数作为样本点之间相似性度量方式,使得算法能够准确识别流形数据的聚类中心。同时引进了基于标签传播的非中心点分配策略,增强了算法的鲁棒性。在11个合成数据集和9个真实数据集上的实验结果表明,所提出的DPC-JSLP算法不仅能够有效发现流形簇类的中心,而且能够发现数据之间隐藏的模式与关联。（2）为了提高社区发现的稳定性,将改进的密度峰值聚类算法（Improved Density Peaks Clustering,IDPC）用于社区发现。通过引入与两点连接的各个边的权重,将社区发现中的邻接矩阵转化为密度峰值聚类中所需的距离矩阵,然后基于Jaccard相似度更新网络中各个节点的密度值,将决策图上选取的聚类中心作为社区中心,将每个点都分配至距离其最近的密度更高的点所在的社区中,完成社区划分过程。（3）为了进一步提高社区发现的精度及稳定性,引入状态转移模拟退火算法（State Transition Simulated Annealing State Transition,STASA）对IDPC的聚类结果进行进一步优化。针对社区发现问题,设计了三种状态转换算子:顶点替换算子,社区融合算子以及交叉变异算子。顶点替换算子随机将某个节点标签替换为其邻居社区标签值,增强寻优初期解的多样性,社区融合算子将某个社区中所有节点标签替换为邻居社区标签,加快寻优速度,交叉变异算子将前两个算子产生的优质解集进行交叉操作,起到局部搜索的作用。通过在GN基准网络测试集和真实数据集上的实验结果证明了所提出算法的有效性。