在当前多学科交叉的研究热点中:复杂网络的研究受到了越来越广泛的关注,在计算机科学、物理学、生物学和社会及管理学等领域都产生了重大的意义和深远的影响。社团发现是复杂网络研究中十分重要的研究方向。社团发现对于加强对复杂网络的结构理解、功能分析和行为预测具有重要的理论意义及实用价值,已被广泛应用于恐怖组织识别、推荐预测、搜索引擎开发和网络舆情监控等诸多领域。如何快速、准确的发现复杂网络中的社团(社团发现)仍然是一个关键问题。已有社团发现方法主要是针对网络拓扑结构,且难于处理大规模网络。近年来虽然也有了不仅通过引入文本内容提升社团发现质量,且适用于大规模网络聚类问题的社团发现方法。然而这些方法算法维度较高,故难于精确刻画结点的内容表征,且计算量较大。因此,研发聚类精度高、算法执行效率好、并且适用于大规模复杂网络的社团发现方法成为如今的研究热点。基于此,本文主要的研究对象为复杂网络中的社团发现方法,做了两个方面的工作:1)复杂网络可以抽象为一个具有复杂连接关系和结构的可演化图。针对以往比较直观的图的社团识别分析及划分,我们提出可有效处理结点内容的高斯混合模型(GMM),更好的融合了复杂网络上的节点结构和内容信息的相似度,将复杂网络图进行采样构造成一个简化图,最后图聚类。由于该法可采用不同参数拟合高斯混合模型中的数据点,故具有更好的可扩展性。2)由于图聚类的时间复杂度相对比较高,且高维度的复杂网络数据基本上都可以转换成矩阵的形式进行处理,因此我们又提出了结合节点结构和内容信息相似度的模块化的非负矩阵分解(NMF)模型,以匹配拟合原复杂网络,从而得到最优化的节点的网络精确表示,最后使用K-means聚类算法进行聚类。该方法简明且易于操作,同时具有对社团属性关系的可解释性,故能更准确地表示节点与社团之间的关系。本文我们提出的这两个结合节点结构与内容相似度的社团发现新方法,在真实网络上进行实验验证,维度计算性能和准确度明显优于已有方法,从而进一步提升了社团发现的精度和效率。