随着网络的发展与数据量的激增,复杂网络的规模越来越大,结构也越来越复杂,所蕴含的信息量也越来越多,如何从复杂网络中发现并挖掘有用信息也成为了网络研究的重点。社区结构的出现使得复杂网络能够更加细化,并能推进其他领域方向的研究,因此得到了研究人员的逐步重视,取得了一定的研究成果。但之前的研究往往只注重于单个方向的研究,而没有多方向的交叉,且研究过程都存在一定的局限性,所提出的模型也仅能适用于单个方向,通用性较差。本文将引力关系模型引入复杂网络,通过为网络中节点赋予质量,建立节点间的引力关系,利用引力作用来发现社区结构。首先提出了基于引力搜索的可控粒度社区发现算法用于发现网络中相对独立的社区结构,且能够得到粗粒度或细粒度的社区结构,算法基于中心聚类的思想,从社区的核心节点开始,构建社区框架,引力搜索节点最终完成社区结构的划分。接下来提出了基于引力度量的模糊重叠社区发现算法,识别并划分出网络中社区间的重叠部分,算法同样基于中心聚类思想,由各社区的核心节点通过多次迭代搜索节点进入社区,并引入模糊理论利用引力大小来度量重叠节点对社区的隶属程度。最后提出了基于引力重构的动态社区演化模型,通过在不同时间节点下网络演化过程中社区内部引力关系和社区间引力关系的动态重构来调整社区结构,得到社区演化结果,并对比演化结果与静态网络的划分结果。本文所提出的三种算法都基于同一模型理论,彼此间都是相互关联的。通过真实数据集实验验证,本文所提出的算法均具有一定的有效性与准确性,可以用于解决实际问题。相比于之前提出的算法,本文所提出的算法还具有如下的一些优势:算法都不需要任何先验知识与参数;之前的算法所得到的划分结果仅为单一粒度,本文所提出的算法可以得到不同粒度的社区结构;本文所提出的算法的时间复杂度均较低,可应用于大规模复杂网络中。