社团结构是复杂网络的重要特性,对于分析网络拓扑结构、理解网络功能、发现网络隐藏规律和预测网络行为等,具有十分重要的意义。随着复杂网络规模急剧增长,网络结构异常复杂,社团挖掘变得非常困难。当前社团结构挖掘算法主要存在以下问题:(1)难以快速发现稳定的重叠社团;(2)动态特性导致复杂网络社团发现过程异常复杂;(3)现实网络中存在的“噪声”影响算法性能。针对上述问题,本文从静态网络入手,通过考虑网络中的链路信息,结合标签传播来发现静态网络中的重叠社团;进而针对复杂网络的动态特性,基于隐马尔科夫模型和链路聚类,分别提出动态网络社团结构快速发现算法;最后,为避免噪声影响,设计了一种基于动态有噪网络的增量社团发现算法。主要工作和研究成果如下:1.传统基于节点的重叠社团发现算法难以发现稳定的重叠社团,为此基于静态网络提出一种基于链路标签传播的重叠社团发现算法(L2PA)。该算法设计了一种新的标签快速更新策略,克服了基于节点的标签传播算法需要指定节点所属社团个数的缺陷,得到稳定的重叠社团结构。仿真结果表明,该算法能够快速、有效的挖掘稳定的重叠社团结构。2.为了提升动态网络社团发现算法的准确性,提出一种基于隐马尔科夫模型的社团发现算法(HMM_DC)。该算法将网络中的社团结构和节点信息分别采用状态链和观察链表示,将动态网络社团发现问题转化为隐马尔科夫中的最优状态序列的求解问题。仿真结果表明,该算法能够准确的发现社团结构,其模块度和互信息值分别能够至少提高28%和20%。3.为了提高动态网络社团发现算法的稳定性,提出一种基于链路聚类的动态社团发现算法(LDC)。该算法通过改进链路划分密度函数和链路模块度函数,将动态网络中复杂的变化信息简化为链路添加和链路移除两种增量变化信息。仿真结果表明,该算法能够快速有效准确地发现动态网络中稳定的社团结构,其模块度和互信息值分别提高19%和13%。4.针对现实网络中噪声对社团发现算法的劣化问题,提出一种基于动态有噪网络的增量社团发现算法(preFilter)。该算法先采用相对熵对动态网络进行噪声滤除,再基于增量方法处理网络中的变量信息,最终得到网络中的社团结构。仿真结果表明,该算法的模块度值可达到0.8左右,互信息值变化也较为平稳,能有效避免噪声对算法的影响。