复杂网络中识别社区结构是理解和控制复杂系统首要解决的跨领域基本科学问题,近年来在Nature等顶级期刊上发表了一些成果,其热点仍是针对特定社区结构以及在特定假设下进行社区发现方法的探索。本文研究了非重叠社区和重叠社区这两类复杂网络中客观存在社区结构发现的新方法,并分析了噪音对社区发现方法的影响。所取得的创新性成果如下:　　1)提出了基于半监督的非重叠社区结构发现新方法,在社区结构不明显的情况下较其他非重叠社区发现方法具有更高的划分准确度。该类方法包括基于标签传播的半监督算法和基于离散电势理论的半监督算法。前者模拟标签传播在复杂网络中的动力学过程,使得相同社区的顶点具有同样的标签。后者模拟电势在电路网络中的电传递过程,使得相同社区的顶点具有相近的电势。两种方法分别在人工基准网络和真实网络中进行了测试,验证了方法的有效性。　　2)提出了基于局部随机游走的重叠社区结构发现新算法,较传统的重叠社区发现方法具有更高的准确度和较低的时间复杂度。该算法的基本思路是将网络中的社区发现转化为空间数据的聚类问题。提出了精度和计算复杂性折中的局部随机游走策略用于计算网络中顶点间的距离矩阵。选择能近似保持距离不变的多维尺度变换方法将距离矩阵投影到二维空间,最后使用f-cmeans聚类方法得到了网络的模糊重叠社区结构。该方法在人工基准网络和真实网络中进行了测试,验证了该方法的有效性。　　3)提出了基于节点删除和基于边删除两类扰动网络模型,从顶点扰动和边扰动两个角度模拟了真实网络中的噪音存在。在上述两种扰动网络模型中尝试目前常用的社区发现算法,从实验的角度分析了噪音规模及噪音类型对社区发现方法的影响,并验证了本文中提出的半监督的非重叠社区结构识别新方法具有较高的抗噪性。　　论文提出的两类社区结构发现的新方法,是对社区发现方法体系的有效探索和扩充;并定量分析了网络噪音和社区结构显著性之间的关联,为在普遍存在噪音的真实网络中发现社区结构提供了理论指导。