近年来,互联网和移动社交软件的飞速发展大大促进了社会网络的形成和发展。社区作为社会网络的一个重要特性,一直是社会网络分析的研究热点。由于社区通常存在重叠,因此研究重叠社区更具有现实意义。现有的重叠社区检测方法在权重分布较为复杂的网络上大都表现欠佳。而密度峰值聚类算法(Density Peaks Clustering,DPC)能够高效准确地识别出任意形状的社区结构,自提出以来受到了学者们的广泛关注。DPC不能直接处理以邻接矩阵表示的社会网络,且通过人工这种低效且可能引入误差的方式选择聚类中心,另外DPC仅能发现无重叠社区,因此不能适应真实应用场景下重叠社区发现的要求。为了利用DPC准确性高的优点,同时弥补DPC的不足,对DPC进行扩展并提出了扩展的自适应密度峰值重叠社区发现算法(Extended Adaptive Density Peaks Clustering for Overlapping Community Detection,EADP)。为了直接处理以邻接矩阵表示的社会网络,EADP提出了一种新的距离度量,考虑共同节点的影响,并区别化对待两节点间的直接链接和共同节点的影响,能够适用于带权和不带权的网络。为了更好地处理带权网络,EADP根据共同节点与节点对之间的亲密程度衡量共同节点对节点对之间距离的影响,亲度程度越大,则影响越大。此外,与DPC人工选择聚类中心不同,EADP采用跳跃式线性拟合的策略自适应地选择聚类中心,避免了人工干预。为了允许社区结构重叠,EADP改变了DPC的社区分配策略,在DPC的分配基础上进行二次社区分配,使节点能够同时隶属于多个社区。在实际数据集和合成数据集上进行大量实验,实验结果验证了EADP算法发现重叠社区的有效性。与MOSES、SLPA、HOCTracker、OCDDP及SMFRW等对比算法相比,EADP在权重分布较为复杂的网络上表现更佳。此外,在执行效率上,EADP也能取得满意的效果。