社团结构是复杂网络具有的结构特性,由复杂网络中具有相似兴趣或爱好的节点聚集而成,且具有社团内部连接紧密而社团间连接稀疏的特点。社团结构的研究具有重要的理论意义和实践指导价值,不仅有助于更好的理解复杂网络的形成机制和内部结构,而且能够发现复杂网络中节点群的共性偏好和群体行为特征。社团结构发现问题是复杂网络研究领域的一个重要研究热点,近年来研究者们进行了大量的研究工作并提出了许多社团发现的方法。本文主要基于三支决策模型对社团归属关系进行决策从而发现复杂网络中的非重叠社团结构和重叠社团结构。论文的主要工作如下:1)对复杂网络中社团之间的归属关系进行定义,并将其分为:完全属于关系、完全不属于关系、不完全属于关系。在此基础上运用三支决策的决策域刻画社团之间的归属关系,即正域刻画完全属于关系,负域刻画完全不属于关系,边界域刻画不完全属于关系。定义节点与节点相似度、社团与社团相似度,并采用社团相似度值刻画社团归属关系决策的条件概率。2)基于模块度Q函数增量来刻画决策行为的包含度阈值α和β,即α等于Q函数增量的最大值,β等于Q函数增量的最小值,实现包含度阈值的自动获取和动态调整。在此基础上提出了基于三支决策的非重叠社团发现算法(CD-TWD),该算法采用从底向上的迭代合并方式对社团归属关系进行决策从而指导社团发现。当社团归属关系为完全属于时社团合并,当社团归属关系为不完全属于和完全不属于时社团不合并。经过反复迭代进而发现复杂网络中的非重叠社团。3)在上一步的工作基础可知,当社团相似度小于α但大于包含度阈值β时,社团中存在重叠节点。通过定义和计算节点对社团的隶属度提出了重叠节点发现算法(ONDA)并采用扩展模块度EQ函数增量来刻画包含度阈值α和β,即α等于EQ函数增量的最大值,β等于EQ函数增量的最小值。当决策社团归属关系为不完全属于时采用重叠节点发现算法挖掘重叠节点,在此基础上提出了基于三支决策的重叠社团发现算法(OCD-TWD)挖掘复杂网络中的重叠社团。