随着人类社会的不断发展,复杂网络理论知识越来越广泛的应用到社会的各个领域。在复杂网络研究中,网络拓扑学拓展了人们对复杂系统的认识,而网络动力学则更深入地刻画了复杂系统的本质。　　本文在对社区检测算法进行广泛研究的基础上,从网络动力学的角度提出一种符号网络社区检测方法。该方法使用改进的Kuramoto模型,基于振荡器相位同步原理,通过微分方程的并行处理方式使节点相位快速进行更新并达到同步,根据各个节点稳定时的相位,可快速有效地检测出符号网络的各个社区和社区间的重叠节点。同时,基于网络中节点相位的动力学演化结果,我们提出了一种新的链路预测方法,并通过实验与传统算法进行了对比。现将全文的内容总结如下:　　(1)符号网络的振荡器相位同步。本章中提出了改进了的 Kuramoto模型,引入了负耦合强度,根据符号网络社区内部节点正向链接稠密,邻接矩阵中对应元素多数为1,作用的正耦合系数较多,优先使社区内部的节点的相位趋于同步;而不同社区之间节点负向链接稠密,邻接矩阵中对应元素多数为-1,作用的负耦合系数较多,使不同社区的节点相位相互远离。这样就使得符号网络中同一个社区内的节点的相位聚集,形成一个同步组,而不同社区间的节点的相位分离。通过这种网络动力学行为,符号网络节点的相位会被分为几个不同的同步簇。　　(2)基于网络动力学的符号网络社区检测。第一,根据上一章的推断,利用了振荡器的相位同步原理,符号网络最终会形成几个同步簇,每个同步簇即是符号网络的一个社区,符号网络通过这种聚类机制最终会被划分为几个社区。为了验证我们提出的方法的可行性与准确性,我们对几个有代表性的符号网络进行实验,最终证明此方法是一种高效,准确的方法。第二,提出了针对加权符号网络社区检测模型,并对典型的加权符号网络进行实验,验证了方法的可行性和有效性。第三,将基于网络动力学的符号网络社区检测方法与FEC算法在计算机产生网络中进行了对比,得出我们算法的检测效果是优于FEC算法的,然后总结了算法的正负耦合系数对符号网络社区检测效果的影响。　　(3)基于网络动力学的链路预测。在前两章的实验中,我们发现节点最终稳定的相位与网络本身的结构是紧密关联的,因此我们提出了基于网络动力学的链路预测方法。该方法使用一种新的节点相似性指标,使得节点相位值相近的节点相似性高,而节点相位值差别大的节点相似性低,并对此方法进行了实验,验证了算法的可行性和性能,并与其它传统算法做了对比,提出了下一步工作的方向。