复杂网络被广泛应用于社交、生物等领域的研究中,在网络中分析出真实存在的社团结构是复杂网络研究的关键。然而,发现许多算法都用最大化边缘概率划分出社团结构,这样会忽视掉结点所在社团之间的联系。还有一部分网络结构是不断演变的,而且大部分都是有向网络。因此针对不同的网络结构,提出了不同的社团发现算法。首先,针对无向静态的复杂网络,本文设计了一种算法MSBP将模块度转换为能量函数,利用信念传播方法最终同时获得所有结点最有可能属于的社团。然后改进了算法的效率,将时间复杂度从立方级降到线性级。从实验结果表明,我们的方法在社区准确度方面远远超过其它同类型的算法。其次,针对有向并且结构演变的复杂网络,我们还设计了以结点为粒度的增量型社团发现算法DNGI。该算法可以有效的解决目前以边为增量粒度的算法对边的添加顺序十分敏感的问题。通过在真实有向网络上的实验结果证明了我们的算法在精度和效率方面表现的都十分出色。表明了以结点为基本单元的增量型方法具有独特的研究价值。综上所述,对于无向静态网络,设计了利用信念传播的社团发现算法。该算法可以找到一个全局最优化的社团划分。另一方面针对有向动态网络结构,提出了有向网络的增量型社团检测算法,社团结果发生变化能实时的划分出社团结构。