伴随着大数据科技的涌现,复杂网络理论得到了长足的发展,复杂网络的各种性质也备受关注。社区结构是其中的一个重要性质,对于分析网络的结构和功能有着深刻的作用。现实世界中的大部分网络都是具有动态性的,节点及其连接关系随着时间发生动态变化,因此动态复杂网络的社区发现算法有着更为重要的实用价值。本文首先阐述复杂网络中社区性以及动态性的概念,然后通过对比几种常用的静态、动态社区发现算法,归纳总结了当前社区发现算法的不足。本文针对动态社区发现的需求,设计了一种具有自适应性的社区发现算法,具有自适应配置参数的特点。该算法分为发现初始社区和跟踪动态社区两个部分:在第一部分,通过比较节点之间的相近程度,将相近程度大于阈值的节点组划分到一个社区组中。在第二部分,通过跟踪节点之间连接关系的变化,更新局部相近度并且调整阈值,从而调整社区发现的结果。该算法使用Sigmoid函数的偏移形式作为阈值函数,软化了阈值判定区间,根据网络情况自适应的调整阈值参数,减少了算法中的人为干扰,保证了算法的自适应性。另外,本算法仅依赖于网络拓扑结构,而不需要诸如节点标签或网络的其他信息,从而具有了更广泛的适用范围。本文对该算法在模拟和真实的网络数据上进行了仿真,对比其他几种社区发现算法,评估了该算法的性能。实验结果表明,通过引入Sigmoid函数,该算法减少了迭代次数和错误分组的概率。