在过去几十年中,随着互联网技术的高速发展,在线网络数据规模呈现爆发式的增长,在大规模网络数据的驱动下,复杂网络研究越来越得到广泛重视。其中社区发现能帮助挖掘复杂网络中的社区结构,对于深入理解复杂网络的特性和功能具有重要的理论意义和广泛的应用前景,逐步成为了复杂网络分析中的重点研究方向。社区发现方法分为非重叠社区发现和重叠社区发现,而现实复杂网络所呈现出来的社区结构通常是可重叠的,因此重叠社区发现更符合现实要求。目前,基于标签传播的社区发现算法因其操作简单和执行高效的优点而在社区发现领域里被深入研究和广泛应用。其中COPRA(Community Overlap PRopagation Algorithm)算法扩展了传统的标签传播算法(Label Propagation Algorithm,LPA),能从网络中有效挖掘重叠社区结构,但该算法同时保留了LPA算法随机性强、鲁棒性差、容易把所有顶点分配给一个社区等缺点。为了提高算法准确度和鲁棒性,本文提出一种基于Leader Rank的多标签传播重叠社区发现算法。该算法通过Leader Rank算法来量化网络中节点的重要性,然后根据量化值大小对这些节点进行团扩展,得到可重叠的最具重要性的粗糙团,作为标签传播的初始社区核心,并将节点重要性融入标签初始化和标签更新过程中,最终提高了社区划分结果的准确性。通过在人工网络图以及真实网络数据集上进行实验分析,结果表明所提算法不仅有效地增强了社区发现结果的稳定性,同时提高了准确率。