信息技术的高速发展使我们进口了网络时代,现实世界中的许多事物可以表示成网络结构,如社交网络、电力网络、交通网络等。社区结构是复杂网络的重要特性,近年来受到了广泛的关注。社区通常代表网络中的功能单元,例如在蛋白质相互作用网络中,社区对应于具有相似功能的蛋白质模块。因此检测网络中的社区结构可以帮助我们理解网络的功能,挖掘隐藏在网络中的信息。另一方面,传统的网络表示一般使用高维的稀疏向量,这极大的限制了传统机器学习方法的使用,使得在解决大规模网络问题时高维向量的计算会耗费大量的计算资源。网络表示学习可以将网络中的节点表示为低维稠密的向量,再将这种向量表示有效的应用于可视化、社区检测、链路预测等任务中,具有重要的实用价值。本文一方面提出了一种基于密母算法的边重叠社区检测算法,另一方面在网络表示学习方法上做了深入研究,主要工作总结如下:基于密母算法的边重叠社区检测算法:复杂网络中的社区大多具有重叠现象,即同一个点可能属于不同的社区,导致基于点的算法搜索空间急剧增大。然而基于边能更自然的表示重叠社区,因为一条边只能属于一个社区,这大大简化了编码难度。在完成对边的聚类之后,与边相连的点就可以自然的属于不同社区。本文提出了一种基于密母算法的边重叠社区检测算法（Meme-Link）,在常规网络和稀疏网络上均做了实验,并用标准化互信息、F-Score、准确率、召回率对实验结果进行了全面的分析。实验表明,Meme-Link在常规网络和稀疏网络上均表现优异,并且可以检测出网络中几乎所有的重叠点。保留社区结构和节点相似度的网络表示学习算法:针对目前网络表示学习问题侧重考虑网络中节点间的信息,忽略了网络社区结构的现状,提出了一种同时保留社区结构和节点相似度的网络表示学习算法EA-NE_Community,旨在挖掘网络中更多的信息。首先建模了一个目标函数能够同时保留网络的社区结构和节点相似性,然后针对性的设计了进化算子,使得网络中的社区数量在算法搜索过程中可以自动确定。基于网络中的多种信息,提出了一种多方向的局部搜索方法用于加快算法收敛。最后在网络可视化、节点分类、节点聚类、链路预测任务上,对算法进行了全面的测试。结果表明,与现有的多种方法相比,EA-NE_Community表现出色,并且能有效的结合社区结构信息。基于神经网络的属性网络表示学习方法:除了网络的拓扑结构外,节点属性同样是网络信息的重要组成部分。目前大多数工作仅适用于普通网络的表示学习,忽略了属性信息。本文提出了一种基于神经网络的属性网络表示学习方法DANE_Community,首先设计了自适应平衡机制用于结合网络结构信息和属性信息,随后用自动编码器学习节点的表示。除此之外,社区结构作为节点的高阶相似性保留。实验结果表明,DANE_Community在多标签分类和节点聚类任务上均表现优异。