复杂性科学是系统科学发展的新阶段,而复杂网络是研究复杂性科学中复杂系统的一个重要研究形式。复杂网络是具有自组织、自相似、吸引子、小世界和无标度等性质中部分或全部性质的网络。现有研究表明复杂网络中社团(结构)普遍存在,对社团的研究有助于揭示复杂网络的整体特性和发掘网络局部特征。现有文献中针对无权网络中社团结构的研究较多,且这些研究己取得一些实质性进展；但针对加权网络中社团结构的研究很少,且已有研究不够全面深入。因此本文在总结分析现有社团结构研究的基础上,对加权网络中的社团结构进行研究,研究包括加权网络中社团结构的定义、已知社团结构的加权人工网络建模方法和加权网络中社团结构发现算法。通过大量的理论分析和实验验证,本文得出以下研究结果：1.提出一种改进的加权网络强／弱社团结构定义该定义综合考虑了节点度和边权,使得满足该定义的社团内节点,节点社团内连边相比社团间连边多且连边边权相对大,这与现实复杂网络中社团情况相符。实验通过对经典现实网络的统计分析论证了该定义的合理性。2.提出已知定义社团的加权无标度人工网络(CWBA模型)建模方法该建模方法以少量节点的无权网络为初始网络,首先生成节点预先归属的无权无标度网络,然后生成节点预先归属的加权无标度网络,最后对预先归属的节点连边进行调整进而生成已知定义社团的加权无标度人工网络模型(CWBA模型)。实验运用CWBA模型建模方法生成了两个实例,通过对两个实例的分析,验证了该建模方法的有效性。3.提出加权网络社团结构发现算法(NPEND算法)该算法生成和利用先验信息集,提出边社团从属度和节点社团贡献度两个指标,在改进传统凝聚算法过程的基础上,最终使得算法结果符合实际复杂网络社团情况。实验通过运用NPEND算法对现实网络和人工网络进行社团发现,实验结果验证了该算法的有效性；通过与其它加权网络社团发现算法在相同数据集上发现结果的对比分析,验证了该算法的优越性。