生活中,社会网络的实体间存在多种关系,如:合作与竞争关系、朋友与敌人关系、支持与反对关系等等,这种同时具有正负关系的社会网络被称为符号网络。符号网络作为社交网络的特例,已成为国内外学者研究的热点之一。符号网络社区发现作为符号网络分析的基础,对预测、个性化推荐、用户特征分析等的理论研究及应用具有重要意义。目前,针对符号网络社区发现的研究主要分为两类:基于优化目标函数的方法和基于启发式的两步式方法,本文针对现有两阶段方法存在的问题,为提高社区发现的正确性和社区发现算法的稳定性,进行研究如下。首先,针对经典两阶段符号网络社区发现算法CRA,因忽略负边导致最终划分结果错误的问题,提出了一种新的两阶段融合的符号网络社区发现算法TFCRA。该算法定义了节点社区归属规则,同时考虑正负边并将两阶段进行融合以提高社区划分准确率。并通过实验验证了TFCRA算法社区划分的正确性与合理性。其次,针对当前算法中存在的稳定性差的问题,基于“两个节点具有越多的共同邻居节点的相似度值越高”的思想,将传统社会网络中节点间相似度指标扩展到符号网络中,提出一种新的基于节点间相似度的符号网络社区发现算法BNS_SNCD。该算法把共同邻居个数作为相似度指标实现社区划分,并给出了小社区合并策略以提高社区合并效率。最后,通过实验验证了BNS_SNCD算法社区划分的正确性与合理性。第三,针对当前算法通过两个节点共同邻居的个数判断相似性存在的不足,基于节点邻居之间关系的紧密性,提出另一种节点相似度符号网络社区划分算法BTCN_SNCD。该算法根据节点的贡献度和紧密度、社区重叠系数和社区密度度量指标,可以发现更紧密的初始社区结构,对重叠社区的合并,进一步保证了社区发现的准确度,并通过实验验证BTNC_SNCD算法社区划分的正确性和有效性。第四,针对当前算法需要调整带负边节点社区归属存在的问题,结合结构平衡理论提出一种新的符号网络社区发现算法SBTNS_SNCD。该算法综合考虑节点的正负度,提出节点相似度、节点参与度指标,减少由于社区内部负边太多产生的局部震荡,有助于获取更准确的社区结构,并通过实验验证SBTNS_SNCD算法社区划分的正确性和有效性。最后,在SBTNS_SNCD算法的基础上,将核心节点和外壳节点作为度量指标,提出了一种符号网络重叠社区发现算法SNOCD,与其他符号网络社区发现算法相比,SNOCD能更精确、灵活地发现重叠社区。