互联网技术的快速发展,推动了各种社交平台应用的繁荣,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。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,具体的工作有以下两个方面：(1)在非重叠社区发现方面,实现了基于多样性相似度矩阵的聚类算法,并将其用于社会网络中从而达到挖掘出网络结构的目的,除了现有的两种思想的相似性度量方法之外,本文还设计了两种改进的相似性度量方法,再结合两种聚类算法对网络进行社区发现。结果表明,在两种人工数据集和四个真实世界网络中,相对于现有的社区发现算法,基于多样性相似度矩阵的聚类算法能够发现更为准确的社区结构。(2)在重叠社区发现方面,提出了基于边吸引力的三阶段重叠社区发现算法。除了根据边吸引力对边进行聚类,本文还增加了将边社区转化为节点社区时的优化阶段,也增加了一个根据重叠节点偏向性来提高发现的重叠社区结构质量的阶段。在大多数数据集上实验结果表明,该算法相比于现有的重叠社区发现算法,得到的重叠社区划分质量更高。