现实生活中的很多真实系统都可以看作是复杂网络的一种拓扑抽象,如科学家合作网、电力网、城市交通运输网等。研究表明,社区结构是复杂网络最重要的特征属性之一,即属于同一个社区的节点之间连接较为紧密,而不同社区间的节点连接相对稀疏。社区结构的发现就是将网络节点按照其内在的拓扑结构连接的紧密程度划分成若干个子图的过程。分析并发现社交网络中的社区结构对用户行为分析,情感分析,个体影响力分析等都具有重要作用。对于大规模的复杂网络,节点数量较多,关系错综复杂,传统的社区发现算法存在运行效率低,可扩展性不足,难以处理大规模网络等问题。基于增量的动态社区发现算法由于在聚类时参照了前一时刻的信息,避免了对整个网络重新进行聚类,因此能有效降低算法的时间复杂度。同时,基于并行的大数据计算框架也大大提高了程序的运行效率。本文在分析传统社区发现算法的基础上,深入研究动态大规模社交网络上的社区发现问题,主要研究成果如下:(1)提出一种将社区结构稳定度和增量相关节点相结合进行社区发现的方法。算法以前一个时刻得到的社区结构为基础,通过基于Jaccard系数的社区归属判定条件来调整增量相关节点的社区归属,同时考虑每个社区的结构稳定度,以发现动态网络社区。通过增量方法分析相邻时刻网络的变化,避免了对整个网络进行全局划分,从而大大减少了算法的时间开销。在不同网络数据集上进行实验,表明提出的算法应用在数据规模较大的网络中,展现了并行算法相较于传统社区发现算法的优势,具有良好的动态社区发现能力。(2)提出了一种基于密度边聚类的增量并行社区发现算法。首先,在初始时刻调用边密度聚类算法对整个网络进行聚类。然后,利用前一时刻网络的拓扑结构,将相邻时刻网络中拓扑的变化转换为边相似度的变化,根据边的相似度变化情况,分别使用不同的策略对边社区进行局部更新以及合并。最后,通过在不同网络数据集上的实验表明,该算法能有效提高社区发现质量,且能发现网络中社区间的重叠现象。