社团结构是复杂网络中最基本也是最重要的拓扑性质之一.发现网络的社团结构,可以揭示节点之间的关系.然而,目前已有的社团发现算法存在一些局限性.一方面,节点距离的定义只考虑了一度信息,对于稀疏网络,容易忽略其中某些重要信息；另一方面,大多数算法会受到噪音节点的干扰,导致网络中某两个社团被聚为一个大的社团.为了解决这两个方面的问题,本文基于三度信息,并考虑到网络社团结构内部的层次结构,提出了新的社团发现算法.论文主要分为三大部分.第一部分主要阐述社团发现算法的相关背景,并概述了常见的聚类算法.第二部分主要针对新算法的提出,从三个方面展开讨论。首先,从节点距离和网络预处理两个方面,对传统层次聚类算法做出改进,提出新算法；其次,详细介绍两种算法测试模型：随机分块模型和LFR标准测试模型；最后,在模型合成的网络中,通过算法的比较,测试新算法的有效性和准确性,并在真实网络中得到进一步的应用和验证.第三部分针对算法测试结果,总结相关结论,并对算法今后的进一步改进做出延伸与展望.