现实生活中，我们常常将一些问题通过建模的方法，把对象和关系抽象成网络结构，进而发现对象间的共同特征，解决这些实际问题。随着数据量的与日俱增，大规模网络社团结构的检测已经成为一个重要研究课题。它是对静态群体进行归类划分、动态群体演变过程分析、寻找局部范围影响力最大的个体、制定简单有效的管理方案等现实问题进行研究的基础环节。因此，如何在规模庞大、内部结构复杂的网络上快速、有效地发现社团结构，对于数据分析、信息提取具有重要意义。本文在经典标记散播社团检测方法的基础上，深入研究大规模复杂网络的特征，针对算法中的节点标记更新方法和迭代次数进行改进工作，取得了如下创新性成果。首先，提出了基于模块度最大约束的标记散播社团发现方法。该方法通过分析网络中节点间的结构相似度，构造基于网络模块度计算的带约束条件的目标函数，获得更合理的节点标记更新公式，提高网络社团划分结果的准确率。接下来，又提出了基于α-度邻居影响度的标记散播社团检测方法。该方法通过计算网络中节点在α-度范围内的邻居影响因子，判断节点标记的散播顺序和散播方向，可以在较准确的进行社团划分的同时有效降低运行时间。在各类网络上的实验结果表明：本文提出的两种基于标记散播的社团发现方法均可以准确地对任意规模、任意内部结构的复杂网络发现任意各种形状的社团；且基于α-度邻居影响度的标记散播社团检测方法具有较高的运算效率和极强的实用性，可运用在动态网络的社团划分和演化分析中。