复杂网络存在于现实生活中的方方面面,例如合作作者网络、社交网络、俱乐部网络等。复杂网络存在一个重要性质,那就是它的社区结构,研究人员可以通过在复杂网络中挖掘其社区结构来加深对复杂网络功能和拓扑结构的理解,社区发现应运而生。社区发现可以用在很多领域,如市场营销、生物学、医学、计算机科学等等,这也吸引了大批研究人员提出自己的社区发现算法。社区发现在实际生活中也有重要应用,例如对微博、小红书、豆瓣等社交网络进行社区发现,可以根据社区发现的结果对用户做个性化推荐或精准营销;对蛋白质交互网络做社区发现,可以帮助预测未知蛋白质的作用;对计算机科学领域的论文作者网络做社区发现,可以结合关键词判断某一领域都有哪些专家学者,等等。目前社区发现算法可以依据使用信息的类型分为两大类:全局社区发现算法和局部社区发现算法。全局社区发现算法是最早出现的社区发现算法,但是这类算法需要预先知道复杂网络的全局信息,这在实际应用中有一定难度,所以出现了局部社区发现算法。标签传播算法（Label Propagation Algorithm,LPA）就是局部社区发现算法中最常见的一种,它的优点是线性复杂度和操作简便,在大型复杂网络中表现良好,但是节点更新顺序和标签选取时存在随机性,导致社区划分结果稳定性差,可能出现标签震荡、怪物社区等问题。针对标签传播算法节点更新的随机性导致的怪物社区问题和标签选取的随机性导致的标签震荡问题,本文提出了一种结合节点重要性和节点相似性的标签综合影响力指标Combined Influence Index（简称CII）,并在这一指标的基础上提出了一种基于节点重要性和节点相似性的标签传播算法Importance and Similarity-based Label Propagation Algorithm（简称ISLPA）。该算法首先以半局部中心性（Semi Local Centrality,SLC）作为节点重要性衡量指标对复杂网络中的节点排序,选取SLC高于均值的节点放入种子节点集,并为种子节点初始化唯一的标签。对复杂网络中的节点按SLC降序更新,在更新节点标签的迭代过程中,从邻居节点的所有标签中选取CII最大的标签更新节点。如果在一次迭代中不再改变任意网络中的节点或者达到最大迭代次数,则迭代过程停止。迭代停止后,根据节点标签对复杂网络进行社区划分,标签相同的节点属于同一个社区。随后,本文基于Spark实现了ISLPA算法的并行化。通过在LFR人工基准网络和真实网络上与LPA、SLPA和NIBLPA算法做实验对比分析,本文提出的ISLPA算法解决了标签传播算法存在的稳定性问题,标准互信息（NMI）比传统的标签传播算法LPA提高了近一半,比改进算法SLPA提高约17%,比同样使用节点重要性和节点相似性的标签传播算法NIBLPA提高了约10%;模块度比LPA和SLPA提高了约20%,比NIBLPA高了大约9%。本文实现的并行化ISLPA在不降低ISLPA算法的划分质量的同时,将运行时间减少约一半;与同样基于Spark实现并行化的标签传播算法PLDLS相比,并行化ISLPA在十万级别的大规模网络的表现更好,社区划分效果的模块度提高了10%左右,运行时间减少了约20%。特别地,本文在验证了算法的有效性后,将并行化ISLPA算法应用到大规模真实复杂网络微博中,同样取得了不错的效果,社区划分的模块度是LPA算法的3.3倍,是NIBLPA算法的3.6倍,是PLDLS算法的2.1倍,运行时间也比非并行化的LPA和NIBLPA减少约一半。