近年来,随着互联网技术和计算机技术的飞速发展,特别是Web2.0时代的不断纵深,使得能够表示人与人之间、人与物之间、物与物之间关系的复杂网络的规模呈现出飞速增长的态势。针对复杂网络的研究已经成为学术界和工业界共同关注的热点问题。复杂网络不仅具有小世界、无标度等特点,而且具有明显的社区结构特性,研究复杂网络中的社区发现能够解决很多实际应用领域中的具体问题。现有的研究成果大多针对无权的复杂网络展开研究。然而,在现实生活中,很多复杂网络中的关系并非完全是简单的存在与否的布尔关系,往往存在诸如节点之间距离的差异、权限的高低、执行的先后等定量描述的相互关系,即加权复杂网络。因此,研究针对加权复杂网络的社区发现问题具有更加广泛的实际应用意义和重要的研究价值。本文即针对现实的复杂网络展开研究,特别针对加权复杂网络,运用有权图方法进行加权复杂网络的社区发现算法研究。首先,针对加权复杂网络的特点,结合标签传播原理,提出了利用有权图的基于标签传播的加权复杂网络社区发现算法。该算法通过不断地调整节点的标签,删除权值最大的边,最终达到收敛,实现对有权图的快速社区发现。其次,针对加权复杂网络的特点,通过分析Girvan-Newman算法中边介数的概念和应用场景,针对加权复杂网络,提出了有权图的相对介数的新概念。基于相对介数不断删除相对介数最小的边,并获取连通子图,最终达到收敛条件,进而实现对加权复杂网络的社区发现,大大提高了社区发现的有效性。最后,利用三种真实数据集建立的加权图对本文提出的算法和GN算法进行对比,实验表明本文提出的算法具有良好的社区发现性能。