互联网技术的快速发展,推动了各种社交平台应用的繁荣,从而形成了庞大的社会网络系统。对社会网络进行研究,挖掘网络中的社团结构,能够让人们更深入地了解社会网络系统。社区在不同的背景下有不同的名称,例如集群,社团,簇等。现代学术水平的快速发展从而使社区发现成为网络数据挖掘领域中的一种重要技术。社区发现就是识别网络中诸多节点的集合,从而达到集合内节点之间的相互作用强,而集合与集合之间没有相互作用,社区发现常常被用来探索发现网络中潜在的集群结构,并被应用于许多实际问题的求解。早期的研究只是发现网络中的非重叠社团结构,只考虑一个节点属于一个社区的情况,随着研究的深入,专家们认为一个节点可以属于多个社区,从而发现社会网络中存在着重叠社区结构,后来,学者们将研究点转移到边上,并通过对网络中边的研究来发现重叠社团结构,本文主要的研究对象为社会网络中的社区发现算法,具体的工作如下:首先介绍了复杂网络社区结构研究的目的和意义及相关挑战,接下来我们对有关复杂网络的基本知识以及它们的表示方法做了简单的说明.其次,在非重叠社区发现方面,介绍了谱聚类SC算法,GN算法,FN算法,CNM算法,FU算法,Infomap算法以及LPA算法的算法思想。紧接着在重叠社区发现方面,本文详细研究了CPM算法,LFM算法,COPRA算法,SLPA算法和GCE算法的基本思想以及目标函数,随后介绍了社区发现算法的评价指标和数据集等内容。最后,根据这些社区发现算法的算法思想实现了上述聚类算法,并将其用于社会网络中从而达到挖掘出网络结构的目的,然后通过在大量的真实网络数据和人造网络数据上进行相关实验,借助实验结果来展示这些社区发现算法在进行网络社区发现时所表现出的性能以及时间消耗,进一步来展示这些算法的合理性和有效性。