当今世界充满了各种各样的关系,这些关系用拓扑学的原理可以简化为一张一张网络图。因此复杂的世界可以用一张张网络图表示。关系紧密的节点可以划分在同一个社区中,因此可以将所有节点划分在若干社区中,即复杂网络的划分。根据复杂网络的拓扑结构,揭示其隐含的规则、预测其所存在的行为模式往往具有十分重大的现实意义和理论意义,特别是在社会关系网、生物关系网、互联网和移动互联网中具有重大的理论意义和实用价值。但现实世界中人与人,物与物,人与物之间的关系更为复杂,往往一个节点同时属于多个社区,即重叠社区的发现问题。因此对重叠社区的发现问题比普通复杂网络的划分往往更具有重要的现实意义。自2000年开始,科学研究者用多种方法研究重叠社区的发现问题,采用了例如基于团渗透改进的思想、基于模糊聚类的思想、基于非负矩阵分解的思想、基于种子扩展思想的思想以及基于混合概率模型的思想,取得了不少成果。但是这些算法对于发现大规模复杂网络的重叠社区问题上,在划分准确度、时间复杂度方面有一定的缺陷性,往往不能在实际大规模复杂网络上进行应用。为了解决这个问题,本论文提出了一种新颖的算法,采用对边根据边结构相似度进行聚类,然后通过分布式处理,以此来解决大规模复杂网络的问题。通过实验进行验证,该算法能很好的发现复杂网络的重叠社区结构。并且采用了分布式处理的思路,能很好的解决大规模复杂网络的重叠社区发现问题。