对现实中各种社会网络和复杂网络的深入研究表明,通过分析网络中的社团与社团之间的关系,能够帮助我们更加深入了解网络的拓扑结构和功能特性。因此,网络的社团结构发现问题成为研究复杂网络的基础性问题。传统的社团结构发现方法仅仅依赖于网络的拓扑结构,对网络结构相关信息的精确性要求较高,且易受噪音干扰,例如节点间的错误连边。然而,通过有效利用先验信息,如个体标签或成对约束等,能够抵抗噪音所带来的干扰。本文将先验信息引入社团结构发现算法中,提高社团划分准确性及抗噪性,主要工作如下：(1)本文提出了基于网络结构极值优化的半监督社团发现方法-SEO-SS算法。利用先验信息对局部变量和全局变量进行惩罚或者奖励的形式来引导社团结构发现过程,最优化目标函数,从而得到网络的最优社团划分结果。此外,SEO-SS方法还对极值优化过程进行优化,利用拓扑结构来对网络进行初始划分而不是传统EO算法中的随机划分,在时间性能上有了一定提高。相关网络上的实验表明,相对已有算法,本文提出的SEO-SS算法提高了社团划分准确度,且在噪音网络中也显示了较好的性能。(2)由于半监督社团结构发现中对先验信息的准确性要求较高,如果先验信息存在错误或者产生冲突,不仅不会引导社团发现过程往正确的方向进行,还会带来负面影响。因此针对先验信息错误或者冲突的情况,提出了PCSEO-SS算法。利用相异性指数来判断成对约束先验信息的类型,从而使先验信息能够正确引导社团结构发现过程。相关网络上的实验结果表明,相对其他半监督社团发现算法,PCSEO-SS算法能够有效识别网络中错误的先验信息,在一定程度上提高了社团划分准确度。