随着人类社会步入网络信息时代,人们生产生活当中充溢着纷繁复杂的数据,而网络作为传播信息的重要载体,对其内部结构的研究逐步成为网络科学领域的一个重大研究议题,学术界称之为社区检测。发现复杂网络中社区结构对于研究网络的本质、功能及演变趋势具有重要的理论意义和实用价值。在传统的社区检测算法中,重叠社区检测算法较非重叠社区检测算法更符合真实的网络划分,故本文基于经典的标签传播算法SLPA提出两种改进的重叠社区检测算法。论文主要贡献如下:(1)DSLPA算法针对SLPA算法在标签更新阶段和标签传播阶段存在的随机性,前一阶段通过PageRank算法确定节点标签更新顺序,后一阶段结合改进Jaccard相似性指标在标签选取不唯一时进行二次决策,进而改进原算法中随机性带来的不确定性;(2)MSLPA算法将SLPA算法与模块度优化思想相结合,在算法初始阶段通过模块度比率最大化进行网络粗聚类,同时在标签传播阶段,利用资源分配指标RA实现标签选取,当结果不唯一时,采取出现频率最高选取法确定更新标签,使得社区检测结果更符合真实的网络结构。DSLPA算法和MSLPA算法在五组人工数据集和六组真实数据集中进行实验,通过标准化互信息NMI、扩展模块度EQ和划分密度PD等指标可知,两种算法均具有较为显著的优势,同时算法收敛较快,结果稳定,以此验证本文提出的算法具有较好的实施性和健壮性。