复杂网络的研究已经成为当今科学界毫无疑问的焦点,其在各个领域无处不在,如人际关系网、万维网、全球交通网、新陈代谢网等等。人们通过大量的研究表明,发现复杂网络除了有小世界性、无标度性等之外,社团结构也是复杂网络的重要特征。社团是一组彼此相似并与网络中其他节点存在差异的节点构成的集合,社团内部之间的节点连接关系较为密切,而社团本身之间的节点联系就较为稀少。挖掘复复杂网络的社团结构有助于深入分析复杂网络的拓扑结构和性质、探索复杂网络的功能、挖掘复杂网络中的隐藏信息以及预测复杂网络自身的作为。所以挖掘复杂网络的社团结构对人们探索科学奥秘具有重大的指导意义并且已成为近几年来人们研究的热潮。　　通过人们对挖掘社团结构不断地深入探究,科学界已经发现了很多划分社团结构的算法,其中聚类方法是当今飞速发展的数据挖掘和探查性分析中的一个极为重要的技术,在信息检索、气候、心理学和医学、生物学和市场学等众多领域有着广泛的应用。本文对原有的信号传递算法进行改进结合聚类方法,应用到复杂网络中社团结构的研究,经实例验证该算法具有很高的准确度。　　本文主要做了以下几个工作:　　(1)首先在复杂网络上传递信号,获取各个节点所对应的影响向量,把网络节点的拓扑性质转化为空间上向量的几何关系,之后结合聚类性质划分社团。为获取更加合理的空间向量,本文基于泛洪算法思想使所有节点都获取信息,提出确定最佳传递次数的方法,有针对性地缩小搜索空间,从而加快算法收敛速度,有效地增强算法的寻优能力。　　(2)由于选取不同的相似度量运用聚类进行划分时所获取的社团结构不同,而选择不同的凝聚聚类技术同样会影响社团的划分,因此选取合适的相似度量和凝聚聚类技术在社团划分中同样关键。本文通过对这些不同的相似度量和凝聚聚类技术比较,结合网络本身性质找到了一组更加合理的选择。　　(3)提出了一种基于信号传递发现无权无向网络节点最短路径的方法。　　(4)对原有的谱聚类算法法进行了改进,实验结果表明该方法划分社团的效果与传统谱谱聚类法相比得到了提高。