信息时代,复杂网络愈加广泛存在于现实世界,社区结构就是复杂网络的显著特征之一。社区发现可以检测到网络中的潜在结构,挖掘内部隐含的信息,这对揭示网络性质、功能、发展规律等方面具有十分重要的理论和现实意义。例如,将社区发现技术应用于优化道路交通网络、预测蛋白质网络中蛋白质的功能、进行电商产品个性化推荐等。社区发现已经发展为网络科学研究领域极具价值的研究内容。目前,很多社区发现算法被提出,但这些算法仍然存在社区划分精度差、运行效率低、难以应对动态网络社区发现等问题。针对这些问题,在分析了已有工作的基础上,以随机块模型思想为基础,重点研究了社区发现及社区演化。主要工作如下:（1）提出了基于改进随机块模型的社区发现算法。随机块模型社区发现主要包括网络生成过程和参数估计两部分内容,现有随机块模型社区发现方法在社区划分精度和运行时间难以取得良好效果。为此,首先改进随机块模型的网络生成过程,以不同概率生成社区与社区、社区与节点之间的链接,构建网络的似然函数;然后在模型参数估计上,借鉴贝叶斯推断思想引入共轭先验,使得当前的后验分布可作为后续计算的先验分布,并通过拉格朗日乘数法计算边指派到社区的概率及模型参数。最后,在人工合成网络和真实网络进行实验,结果表明,与同类算法相比,该算法在社区划分精度和运行时间上具有均衡优势,即兼具社区划分精确度高和耗时少的特点。（2）提出了基于改进随机块模型和相似性比较策略的社区演化分析算法。基于改进随机块模型的社区发现算法不能直接处理动态网络社区演化问题,对其进行扩展,使其能适用于社区演化分析。首先对动态网络进行时间切片,利用基于改进随机块模型的社区发现算法对网络快照进行社区检测;然后通过频繁节点集衡量相邻时刻社区中节点动态变化性,最后利用相似性度量值对相邻时间片社区进行分析,由此识别动态网络中社区演化事件。在这一过程中,为保证社区演化过程平滑性,排除相邻时间前后节点数目相差过大的社区。在人工网络、真实网络这两种网络上的结果显示,该算法在不同时间片网络快照上表现出社区划分精度高、波动性较小的优势,并且能有效识别动态网络中的社区演化事件。