随着信息时代的高速发展，信息产业的蓬勃兴起，人们的生活、工作都越来越多的与社会网络密不可分，社会网络成为了人们赖以生存的工具之一。它不仅包含丰富的个人信息，同时还蕴藏着群体信息，这使得复杂网路中的信息挖掘成为了国内外研究的热点。本文针对复杂网络研究中所存在的社区划分阈值选取问题和节点间相似性衡量指标存在有偏误差问题做出了相关的研究。主要工作如下：(1)在社区划分的阈值选取方面，通过对现有模块度指标进行理论分析和实际的推导，指出其不足。在模糊聚类理论基础之上，提出基于“完美网络”理论与边聚类密度相结合的社区划分衡量指标(FF-FT)。通过理论分析和实验证明，其不但克服了原模块度无法对差异较大的网络社团进行划分的困难，而且准确率上也有了一定的提高，较其它模块度标准更具优势。(2)考虑到复杂网络社区发现中，全局相似性指标存在时间复杂度高，局部相似性指标存在有偏误差的缺陷，本文提出了一种基于共享节点平均贡献度的复杂网络社区发现算法。其以节点的度为单位，将共享节点对节点间相似度贡献进行平均分配，使得共享节点对相似度的贡献更加准确。通过在PPI网络、USAir网络的实验，以及与HSM相似性指标的对比，证明ERS指标在节点间相似性度量上，准确率有了明显的提高。在人工网络和典型的社区划分网络中，ERS算法较GN、FN、 N-Cut算法都有更高的稳定性，更能够适应复杂网络的社区划分。