复杂网络的社区发现是近年来的一个研究热点,它在计算机网络,社会计算方面有着很大的研究价值。本文研究复杂网络的主要过程是通过分析复杂网络中的节点与边关系的原始信息,得到整个网络的拓扑结构,并通过数学方法对网络特征进行分析,找到能反映网络结构的关键特征,准确发现网络中存在的社区,对其按照规模排序。本文简要的介绍了复杂网络的主要参数和几种基本的网络模型,社区发现的常用方法,对社区发现的几种主流方法做了对比,根据图谱分析法和特征值分析方法,提供了一种基于主成分分析的方法来揭示社区结构,并通过实验数据对比证明发现结果的准确性,解释了此种变换的理论基础,同时说明了划分结果的正反社区结构与特征值的关系。介绍了协方差矩阵和相关系数矩阵的区别与联系,最终达到从降维角度进行社区发现的效果。本文还论证了重标度变换对于处理混杂社区的优势,并作了相关实验说明。本文重点研究了如下的几个内容：(1)将主成分分析法及其衍生出的协方差矩阵和普通拉式矩阵在对社区发现中的表现做了实验对比,并对其性能做了分析。(2)特征值谱与社区结构的聚散关系做了较为详细的说明。(3)分析了协方差矩阵,特征间隔应用于社区发现时,所表现出的较好的性质,特别是对重要特征向量选取的影响,及其对社区发现精准度的影响。(4)提出了重标度变换方法,论证了重标度变换对于解决混杂性复杂网络社区发现的意义。