社交化在线学习被广泛认为是一场新的教育革命,是各个学科领域研究的热门课题。近年来,随着大规模复杂网络中可用数据量的不断增加,关于复杂学习者网络的社区检测的相关研究逐渐成为热门的课题,但是学习者网络的社区检测主要存在两个难题:一是学习者网络拓扑结构相较于一般的复杂网络比较稀疏,传统的社区检测算法无法为惰性/冷启动学习者识别出潜在的社区;二是学习者网络中实体关系种类复杂,学习者可能同时处于不同的学习圈子（社区）,现有算法对学习者网络社区检测难以同时兼顾检测质量和时间复杂度。本文围绕学习者网络展开研究,旨在识别学习者网络的重叠潜在社区,发现学习者网络中群体的内聚性结构特征,从而揭示学习者网络所描述复杂系统的组织行为,主要研究内容包括:（1）深入分析学习者网络的拓扑结构特征和高阶组织对社区影响,提出了一种基于高阶组织的学习者潜在重叠社区检测算法POCDL。旨在提高学习者社区检测的质量,核心思想包括利用三角模体重构学习者网络、局部社区检测、社区优化三个阶段。首先,使用四种模体组织重构学习者网络形成学习者边缘加权网络;其次,利用度中心性计算节点影响力并降序排列,度中心性最高的节点结合模体形成初始社区,接着进行局部扩展,形成初始社区检测结果;最后,构建社区亲密度评价模型进行社区优化,相邻社区利用社区亲密度判断是否合并,孤立节点则利用就近原则选择社区,得到最终的社区检测结果。在学者网数据集上和单个模体的算法对比验证其有效性;同时在2组人工网络上和4个经典重叠社区检测算法进行对比实验,结果表明算法POCDL能够有效的识别社区检测,同时解决学习者潜在学习社区检测问题。（2）借助标签传播近似线性的时间复杂度,提出了一种基于标签传播的学习者重叠社区检测算法OLCDA。旨在提高大规模学习者网络社区检测的效率和质量,OLCDA方法主要步骤是,首先设计学习者节点重要性模型计算学习者网络的节点重要性,并据此得到节点标签的传播顺序。然后,利用最大节点有利指标计算学习者之间的联系。最后,计算出学习者邻居综合影响力。直到主导标签不变停止迭代。在10个真实网络数据集和4组人工网络数据集上大量对比实验结果表明:OLCDA算法不但能够较快的识别出学习者社区也具有较高的社区检测质量,另外,对其它类型的复杂网络的社区检测也有普适性。