社团结构是复杂网络的一个重要特征，同时也是复杂网络研究的热点问题。社团结构是指网络中的顶点可以分成若干组，组内顶点之间连接比较稠密，而组间顶点之间连接比较稀疏。寻找网络社团结构并对其进行分析是了解现实生活中各种网络组织结构的一种重要方法，已经在社会学、计算机科学以及生物学等领域有了广泛的应用。　　 关于复杂网络社团结构的研究主要关注两方面：一是寻找有效划分社团结构的方法：二是研究社团结构的显著性等特征。目前在寻找网络社团结构划分算法方面已经取得了丰硕的成果。许多探索性的算法都能够比较有效地划分出复杂网络的社团结构。然而，通过这些算法却很难直接获得社团结构划分的最优分类数。探索复杂网络社团结构的最优分类数应当是社团分类算法所追求的一个目标，它也可以反过来指导和评价社团分类算法，同时，它还可以帮助我们分析网络社团结构的特征。　　 本文在对已有社团结构研究成果进行简要概述的基础上，重点研究复杂网络社团结构划分的最优分类数问题，提出了一种相对简单有效的探求社团结构最优分类数的方法。这种方法主要基于信息熵以及已有的社团划分方法。对于一个给定的网络，我们首先选取一种已有的算法对其进行社团划分，并得到一系列划分结果；其次，利用信息熵公式来衡量算法的精确度；最后，提出一个指标Ω(c)，通过计算Ωc)并且分析计算结果的特征，我们能够得到该网络社团结构的最优分类数。在经典人造网络和实际网络的应用结果表明，该方法能够有效地找到社团结构的最优分类数，尤其是在网络社团数量远远小于网络中顶点数量的情况下。在探究社团最优分类数的过程中我们还发现了一个有趣的现象：对于大多数复杂网络社团结构算法来说，大社团往往比小社团更容易被识别。本方法的一个突出优点是不需要事先知道网络的真实社团结构；另一优点是该方法应用广泛且简便，几乎可以应用于所有随机性算法基础之上，且不会增加算法的计算复杂度。　　 本论文还对社团结构显著性问题进行了讨论。简单来说，网络社团结构的显著性就是指网络中的社团结构是否明显。已有的对社团结构显著性的研究大多基于模块化函数之上。认为模块化函数值大的社团划分具有更显著的社团结构。然而，很多研究已经证明模块化函数存在一些不足。本文在探索社团最优分类数方法的基础上对社团结构显著性进行了一些探索性的研究。