近代科技高速发展,信息量正在呈指数级增长,有效处理海量数据是用户获得有效信息的瓶颈。人们的社交范围越来越大,发现复杂网络的社团结构,对分析复杂网络的性质及功能,获得复杂网络的规律以及预测复杂网络的行为有重要的理论意义。　　 复杂网络有许多重要的拓扑特征,复杂网络的研究是当前科学研究中很热门的领域。在大多数情况下,研究者主要依靠观察计算机网络或社会网络等真实网络来研究复杂网络的特征。本文主要工作有:　　 (1)基于局部信息的社团发现方法在CNM算法的基础上,提出了一种利用局部信息进行社区挖掘的算法。首先,定义结点的强度及结点对社区的贡献,修改了模块度的定义,使本方法能够适用于加权网络,利用社区局部信息得到小社区；然后,将小社区集合作为CNM算法的输入,计算小社区间的模块度增量,凝聚模块度增量小的小社区,并得到最终结果。实验表明,新方法在社区模块度和算法执行时间上均略有提高。　　 (2)基于Jaccard相似度的社团发现方法提出一种基于Jaccard相似度的社团发现方法,首先使用结点的相似度寻找优先邻居结点,再从优先邻居结点中获得最佳邻居结点,最后将互为朋友结点的两个结点合并,最终得到若干个结点的组成小社团,然后利用CNM算法凝聚小社团,完成社团发现聚类。实验表明本算法执行时间缩短,所发现社团模块度增加,是一个有效的社团发现算法。　　 近年来,社团发现成为了一个热门的研究领域,它为人们在实际生产活动中提供了许多帮助,在未来的工作中,应将更多的重点转移到如何运用已成熟的社团发现算法为生产生活服务,主要方法应以寻找适合的相似度函数以划分不同社区。