近年来,基础学科的发展衍生了很多新兴学科,包括有机器学习、深度学习以及复杂网络科学等。复杂网络科学是由社会科学、自然科学、工程学以及计算机科学应运而生,它主要研究网络的外在特征描述、内在机制特征、时间演化模型以及网络的同步或异步行为特性等。后来,研究复杂网络的学者发现大多数网络中有一种聚类现象,这样一种现象被众多学者称之为网络中拥有的社团结构。研究网络中的社团结构有助于更深入的理解网络内部结构带来的诸多信息,特别是对社团分割有着积极的作用。由于网络的复杂性,在复杂网络领域至今也没有做出对社团结构的统一定义,科学家只是约定网络中的社团结构联系较为紧密。复杂网络社团检测的算法层出不穷,不同领域的学者运用自己擅长的知识提出了很多富有创造性、建设性以及指导性的算法,这些算法共同推动着复杂网络社团检测领域的进步。然而,大多数的社团检测算法只能对某一部分具有特定特征的网络有很好的效果。本文基于PageRank提出了一种多社团检测算法——PRMCD算法,此算法首先需要选取社团内部的一些种子节点,然后利用PageRank随机游走寻找与种子节点联系较为密切的节点加入种子集,最后通过社团分割指标保留最好的社团结构,直到网络中没有社团结构为止。PRMCD算法的创新性主要有三点:1)中间产物向量的选取:中间产物向量是根据随机游走两次求得;2)种子节点的选取:在随机游走前,我们需要知道节点的初始分布,即我们需要选取初始种子节点,在本文中我们选取的初始种子节点是网络中度最大的节点对应的度和最大的三角形;3)社团分割指标的选取:本文中社团分割指标采用的是模块性与图分割加权和来确定。最后,本文主要采用模块性指标、NMI指标以及ARI指标来评价算法的优劣性,选取的测试网络包括有基于LFR的人工合成基准网络和真实世界网络,与之对比的算法包括有LEV算法、LPA算法以及BGLL算法。综合PRMCD算法在模块性指标、NMI指标与ARI指标的表现效果,此算法能检测出清晰的社团结构。另外,本文提出的PRMCD算法是一种倾向于人为思考的算法,并且对于悬挂点较少的网络本文算法有着很好的效果。在最近几年中,利用PageRank、随机块模型等新的社团检测算法还有不少的学者在进行研究,希望这些新的方法能囊括更多的网络,即希望这些算法能在更多的网络上有着更好的效果。