社区发现是复杂网络研究领域的一个重要的研究方向。一个网络由若干社区组成,每个社区在内部节点之间联系相对紧密,在外部社区之间的联系相对稀疏。SCAN算法是近年来涌现出来的社区发现算法中比较优秀的算法,它是一种基于结构聚类的算法,这也是它名字的由来(Structural Clustering Algorithm for Networks)。它的优秀表现在线性的时间复杂度,精准的划分结果,并且可以识别社区结构之外的信息(枢纽节点和孤立节点)。虽然SCAN算法有很多的优势,但是缺陷也是很明显的。SCAN不能识别重叠社区,而社区的重叠现象是广泛存在于网络中的；由于在线社交网络的发展,网络结构的演进变化大大快于从前,能够动态地分析网络得出社区结构应该是研究的大趋势,而SCAN算法缺乏这方面的能力。另外,SCAN算法需要人工设置两个参数并且算法的精确度严重依赖参数的选择。结合以上内容,本文在SCAN算法的基础上改进扩展出两个算法,具体研究成果如下：(1) SCAN算法优化改进SCAN算法包含两个参数：ε和μ,我们主要对参数进行优化,一是参数的约减,二是降低算法对于参数的敏感度。首先,我们只保留了参数￡用于限定核心网络,并且采用一个循环删边的操作降低算法对于这个参数的依赖,使得阈值α在很大的选择范围内算法都能得到令人满意的社区划分结果。(2) SCAN算法功能扩展本文对SCAN算法进行重叠节点识别的扩展,提出了LED算法。循环删边过程促使社区分裂,在分裂的时候被删除的边的两个节点就是社区边缘的节点,是我们重叠节点检查的对象。我们采用社区平均度作为重叠节点的识别标准,在删除的边的节点中识别重叠节点。在LED算法的基础上扩充对于动态网络的处理能力,算法分为线上线下两个部分。线上部分保存网络数据和部分中间计算结果,并且根据网络的变化,分析出最大影响区域,在影响区域内局部更新网络数据和中间计算结果,从而最大限度的降低重复计算。线下部分负责从线上部分维护的数据中抽取社区结构,识别重叠节点。