近年来,随着互联网和Web 2.0技术快速发展,复杂网络的研究已经吸引了来自数学、物理、生物等众多学科的专家,成为一个热门的研究领域。在复杂网络领域,一般会将自然界中的实体抽象为网络中的节点,实体之间存在的联系转化为网络中的边,这使得自然界中的很多系统都可以形式化表示为网络的结构,譬如社交关系网络、科学家合作网络、流行病传播网络等。研究发现,社区结构是复杂网络普遍具有的特征,社区发现方法研究已经成为复杂网络分析领域的重要研究课题之一。研究社区结构对理解网络功能、揭示网络模式、分析网络行为等具有重要的研究意义。如何快速高效地从复杂网络中发现社区结构,是一个具有挑战性的热点研究问题,引起产业界和学术界的广泛关注。目前研究学者已经提出多种方法来检测复杂网络中的社区结构,然而缺少对这些方法的对比研究工作。本文首先介绍复杂网络中六种代表性的社区发现算法,分析每个算法的优缺点,并在真实数据集对六种算法做实验对比,指出对现实生活中的指导意义与应用价值。标签传播算法是效率较高、可扩展性较好的社区发现算法之一,但该算法仍然存在明显的缺陷,譬如划分社区不稳定、鲁棒性差等。为解决上述问题,本文提出一种有效改善社区划分随机性的算法(LPA_D_CC),该算法首先根据网络中节点的度数和聚集系数做影响力排序,根据影响力将网络中节点做初始划分,并对划分后的所有节点有条件地赋标签,最后根据标签传播过程对网络进行划分得到社区结构。在四种真实数据集上实验结果表明,与原始LPA算法相比,所提算法具有更高的准确性和稳定性,同时能够减少传播过程中的迭代次数,能快速收敛得到结果。