信息技术的发展和普及将人们带入了一个网络新时代,生活中越来越多的系统都可以抽象成为复杂网络,复杂网络的研究也成为了信息领域的热点。社区结构是复杂网络的重要特征之一,发现复杂网络的社区结构有助于对网络特性和隐含规律的探索,因此具有重要意义。本文介绍了复杂网络的概念和研究现状,对不同类型的社区发现算法进行了总结分析。其中K-means聚类算法由于其思想简单、易于实现、适用于各种类型的数据,在社区发现中得到了广泛的应用,但该算法对复杂网络的高维性和稀疏性并不敏感,社区发现的结果并不理想。因此本文在经典聚类算法的基础上,运用深度学习建模,充分利用网络中的先验信息,针对链接型和融合型复杂网络分别提出了改进的社区发现算法。主要包括以下内容:(1)针对链接网络提出一种基于深度学习的无监督聚类社区发现算法deep-CLCD。提出了一种新的节点相似度计算方式,根据节点之间的距离关系和邻居节点构建特征矩阵;面对网络结构的复杂性,本文运用深度学习方法的非线性映射能力,将网络的有效特征提取到低维空间;用聚类算法返回结果。(2)针对链接网络提出了一种主动地半监督聚类社区发现算法ESCD。本文将传统的K-means算法进行分步计算;将每一步的距离迭代结果视为粗聚类结果,并根据粗聚类结果计算节点隶属度;通过主动地添加先验信息完成网络的重构,使网络结构更加清晰。(3)针对内容与链接融合的网络提出了一种基于深度学习的社区发现框架CGLCD。利用节点的文本内容指导网络的拓扑结构重构,提出一种文本和链接融合的方式,设定最小和最大阈值以成对约束的方式用文本信息指导拓扑结构的重构;使用CLCD算法得到社区发现结果。本文对上述提出的算法在广泛的真实数据集和人工数据集进行实验验证,实验结果显示:与现有的社区发现算法相比,deep-CLCD算法能够更准确的发现社区;ECSD算法可以在标签量较少的情况下达到较好的效果;CGLCD算法在处理文本融合链接数据集时表现良好。