网络有着广泛的定义,任意对象间只要存在联系或相互作用就会形成网络结构,在现实生活中网络随处可见,研究复杂网络并挖掘其中的有用信息可以帮助人们掌握网络中所存在的规律,而通过社团发现算法揭示复杂网络中的社团结构是深入研究网络特性的前提,同时,发现网络的社团结构也有助于解决实际问题。本文首先给出了社团完整性的定义,并根据社团完整性的概念给出一种新的社团划分质量评价函数,即社团完整度F,证明了社团完整度F的有界性;实验证明,与经典的模块度函数Q相比,社团完整度函数F能够更合理地评价社团划分质量且社团完整度函数F的灵敏度高于模块度函数Q。社团发现算法的实质就是将网络划分为局部稠密的子网络。本文给出一种基于社团密度的非重叠社团发现算法(BDA算法),此算法通过比较初始社团的密度并将其中密度最大的初始社团扩展为网络的社团结构。在真实数据集上使用BDA算法,并与经典的FN算法和LPA算法进行对比,结果表明BDA算法不仅可以发现更合理的小粒度社团结构;同时,随着网络节点数和边数的增加BDA算法在时间复杂度方面也明显优于FN算法。为了满足实际需求,本文还给出一种基于相似度的社团合并算法,该算法根据社团间的相似度将小粒度社团合并成为大型社团。因为网络的重叠社团结构难以确定,本文给出在已有的非重叠社团结构的基础上扩展为重叠社团的思想,并且给出了基于非重叠社团扩展的重叠社团发现算法(EOA算法),实验证明该算法可以发现更合理的重叠社团结构,并且该算法的时间复杂度明显低于基于种子扩散思想的重叠社团发现算法。最后,本文将BDA算法和EOA算法应用在科学合作者网络并得到合理的社团结构。