随着网络的迅速发展,对复杂网络的研究在许多领域都备受关注。社区结构是复杂网络的一个普遍特征,对社区结构的挖掘成为了网络分析中的研究热点。复杂网络由许许多多个社区构成,社区发现对于了解复杂网络中的社区结构有着重要的意义。从计算角度而言,社区划分相当于将任务分解,可以降低计算复杂度;从实际应用而言,社区发现“产生”了推荐,方便了人们的生活。本文针对社区发现问题,结合社区结构这个重要属性,利用模块度最大化方法对社区发现算法中的时间复杂度以及社区结构的强弱展开了深入研究。首先,针对基于模块度最大化这类标签传播算法中时间复杂度高的问题,本文依据“先传播,后合并”的原则,降低了社区合并导致整个网络需要更新带来的较高时间复杂度;结合社区结构的概念提出了基于模块度最大化的标签传播算法CDMM-LPA。基于社区结构的重要性,本文将社区结构作为一个重要的考虑因素融入CDMM-LPA算法中,使得最终获得的社区属于强结构社区。其次,提出了基于模块度最大化的双向合并的社区发现算法CDPM。CDPM算法是基于混合式合并的社区发现的改进算法。该算法通过计算节点之间的相似度,减少算法初始阶段生成的子社区数目。通过检查生成的社区是否含有弱结构社区来决定CDPM算法的运行次数,避免了通过设置参数来控制算法的执行次数,从而降低了CDPM算法的时间复杂度。最后,基于真实网络数据集和模拟生成的网络数据集,验证并分析了两种算法的可行性。