在目前信息化时代的今天,大量数据信息都存储在互联网中,针对问题进行复杂网络的建模,可以有效的解决各种节点分类、节点聚类、链接预测、影响力分析、可视化分析等问题。而针对复杂网络社区的发现可以有效的观察社区的整体结构,分析社区演化过程,找出中心性节点,针对真实网络问题的分析具有重要的意义。随着研究学者对社区发现算法研究的深入,基于图嵌入技术的社区发现算法、基于密度聚类的社区发现算法、基于标签传播的社区发现算法、基于随机游走的社区发现算法、基于统计推荐的社区发现算法、基于重叠社区的发现算法以及基于动态社区的发现算法等不断的涌现出来。在传统的社区发现算法中,谱平分算法每次只能将网络划分成两个社区,划分结果并不好。Girvan和Newman提出的GN算法没有确定终止条件,计算时间复杂度高。由于标签传播类算法的种子节点选择具有随机性,并且标签传播的方向随机,导致这类算法最终的社区划分结果不稳定。KL算法、ASOCCA算法等需要针对不同的数据集调整算法参数,而这些参数对划分结果影响很大,导致算法的可扩展性低。大部分传统的社区发现算法并不能找出重叠节点,解决重叠网络的社区划分问题。本文根据传统社区发现算法中的不足,提出了基于结构活跃度的随机游走社区发现算法(SARW)与基于游走与中心性节点选择的重叠社区发现算法(SARWCN)。主要在随机游走社区发现算随机法上提出了三点改进思想:首先,对于原有随机游走社区发现算法里,忽略社区整体结构特性的问题,通过添加社区活跃性因素,对随机游走的转移矩阵进行改写,提高了随机游走社区划分结果的模块度。其次,对于随机游走算法中的合并策略进行改进,在一些数据集的社区划分结果中合并小社区,能够提高社区发现结果的准确度。最后,针对重叠网络的社区划分问题,提出了基于随机游走与中心性节点选择的重叠社区划分算法,利用节点的特征向量找出社区中具有最大吸引概率的中心节点,从而发现处于两个社区之间的离心节点,根据离心节点与各社区中心节点的相似性,找出重叠节点及其所属社区,进而划分重叠社区。本文针对四个真实复杂网络以及用LFR网络模型构建的几个人工合成网络上进行社区发现算法实验。分别分析SARW算法与SARWCN算法与其他经典社区发现算法在非重叠网络和重叠网络上的模块度和标准互信息的比较结果。并且利用NetworkX库、iGraph库以及Matplotlib库画出社区划分结果,对复杂网络社区划分结果进行可视化展示。