近年来,随着复杂网络研究的兴起,复杂网络中的社团发现备受关注。社团结构是复杂网络最重要的拓扑结构属性之一,它揭示了复杂网络的隐藏规律和行为特征。复杂网络中的社团发现对揭示网络的结构和功能之间的联系有着重要的意义。社团发现中常见的方法是优化单个目标函数,例如模块度Q。目前的大多数算法都采用了将模块度作为优化目标,进而将社团发现问题转化为优化模块度的问题。然而,这些算法大部分都有很高的复杂度,并不适合解决大规模网络问题。而另一方面,由于采用单个优化目标,这些算法都不可避免地会存在解限制的问题。为解决上述第一个问题,本文首先提出了将遗传算法引入社团发现,产生了一种新的算法,有效解决了目前的社团发现算法效率低的问题,并通过四个实验证明了该算法的有效性。另一方面,为解决单目标优存在的解限制问题,本文又提出了将进化多目标算法应用于社团发现。该算法同时优化两个互补的目标函数,并返回一组在这两个目标函数之间进行折中优化的非占优解。在返回的非占优解集中需要选择一个作为最优解,本文进一步提出了四个模型选择标准。相关实验分为两个部分：第一部分的实验结果表明进化多目标优化算法运行一次能够找到多个从不同角度反映社区结构的划分结果,这样有效避免了解限制。实验的第二部分,通过和其他几种社团算法比较,证明了本文提出的解模型选择标准有较高的准确度。最后,本文提出并实现了基于进化多目标优化社团发现的原型系统。该系统的主要功能分为两部分：运行算法并将运行结果进行可视化。