现实世界中的系统均可建模为网络,以研究其潜在的规律和功能。社团结构是复杂网络的一个重要统计特性。通过挖掘复杂网络中的社团结构,可以分析复杂系统的潜在结构和交互规律。因而社团发现有重要的理论及现实意义,成为当前研究热点。社交网络是包含多种模式的复杂网络,个人在交友时也进行语义信息交流,即同时存在拓扑和语义两种不同类型的信息。本质上,基于上述两种信息融合的方法能够更精确地刻画社交网络中社团结构。但是,由于拓扑和语义属于不同类型的信息,这两种信息的复杂性使得融合处理更困难。在现有融合拓扑和语义信息的方法中,较为凸显的复杂性为异构性、尺度差异、信息不匹配等。本论文主要基于非负矩阵分解算法和自动编码器（autoencoder）,对基于拓扑和语义复杂性的鲁棒融合方法进行研究,并提出相应拓扑与语义鲁棒融合的社团发现算法。主要工作如下:（1）拓扑信息和语义信息分别属于关系类型数据和特征类型数据,它们的特性具有异构性。基于此,从子空间聚类的角度考虑信息融合的社团发现,提出一种基于图正则的非负矩阵分解社团发现方法。该方法引入节点度并刻画拓扑信息中节点度的不均衡,运用K近邻一致性处理语义信息空间的流形,并提出一种统一模型以实现基于拓扑和语义信息的异构性的鲁棒融合。（2）拓扑与语义信息分别是稀疏数据和非稀疏数据,它们的维度也不尽一致,即尺度存在差异。针对尺度差异的问题,研究谱聚类与自动编码器,运用模块度模型和标准切割模型将两种信息转化为相应谱特征矩阵,实现尺度差异信息统一建模。基于谱方法和自动编码器在数据重构上的理论相似,提出一种基于自动编码器框架的协同优化方法,以实现无缝地无尺度差异地融合拓扑和语义信息。（3）拓扑信息和语义信息是不同的数据,呈现出信息不匹配特性,使得对这些信息的难以鲁棒融合。这种信息不匹配体现在分别依靠拓扑或语义信息所刻画的社团结构不一致。本文提出一种基于自动编码器的自适应方法,该方法运用自动编码器结合图正则实现融合拓扑和语义信息,并利用一个转移矩阵构建一个自适应因子,通过基于两种信息不匹配程度自动地控制融入语义信息的比例,以实现这两种信息处于不匹配时仍可鲁棒融合。本文从拓扑与语义信息融合角度出发,对社区发现相关问题进行研究,丰富了相关研究内容,具有一定的理论意义和应用价值。