20世纪90年代以来,以因特网为代表的信息技术的迅猛发展使人类社会大步迈入了网络时代。复杂网络比比皆是,从因特网到万维网,从市政交通网到航班线路图,从大规模的集成电路到大型的电力系统网络。网络还可以用来描述社会中人和人之间的关系,科学家相互合作的关系,论文相互引用的关系,物种相互捕食的关系。甚至,网络可以看做是本论文中词与词之间的语义关系。可以说,我们已经生活在一个充满着各种各样的复杂网络的世界中。因此,分析这些复杂网络具有重大意义。一方面,人们发现许多实际网络都具有社区结构,即整个网络是由若干个“社区”构成的,每个社区内部节点之间的连接相对非常紧密,但是各个社区之间的连接却比较稀疏。社区发现——自动搜寻或发现网络中的社区,有助于我们更加有效地理解和开发这些网络。另一方面,如何评价网络节点的重要性一直以来是人们非常关心的问题,它对于信息安全领域中如何保障计算机网络的可靠性,军事领域中如何有效地摧毁敌军的目标,传染病学中如何防止疾病的传播都具有非常实用的价值。社区发现问题已经成为近期复杂网络研究的一个热点。本文在已有方法的基础上,结合遗传算法、聚类思想以及二分法策略提出了一种新的社区发现算法,实验证明该算法能在合理的时间内准确地挖掘网络中的社区。对于节点评价问题,社会学的专家使用过度、接近度、点介数、特征向量等方法,系统科学的专家创造了核与核度理论,信息搜索领域的科学家更是提出了赫赫有名的PageRank算法和HITS算法。本文突破了这些传统方法的束缚,充分利用了网络中社区结构所包含的信息,并结合数据场的思想提出了新的节点评价标准,使得能够客观反映出节点在社区中所起的作用。同时,该方法为网络的骨干拓扑挖掘提供了重要依据。