社区结构存在于大规模网络中，具有较高的应用价值和研究价值，已成为近年来大规模复杂网络的研究热点。但是，如何快速、准确地发现网络中的社区结构，仍是一个亟待解决的问题。现有的社区发现算法，虽然能有效地发现网络中的社区结构，但是却各有其局限性，因而无法适用于大规模网络。针对现有算法存在的问题，以应用于大规模网络为目标，对社区发现算法进行了研究，主要研究内容及创新点如下：（1）提出了一种基于局部信息的社区发现算法。该算法综合考虑了结点并入社区时可能遇到的各种局部信息。通过对其进行综合评估，客观而准确地评价结点对社区的贡献程度，进而将结点以合理的顺序并入社区，实现社区发现。在真实数据集上对算法进行测试。结果表明，和传统算法相比，虽然新算法时间复杂度略有增高，但是具有更好的准确性，而且能够发现网络中社区间的重叠部分。（2）提出了一种基于贡献度改进的标记传播算法。因为传统标记传播算法准确性较低，所以采用基于局部信息的贡献度评价方法对其进行优化。在真实数据集上对算法进行测试。结果表明，和传统算法相比，改进算法不仅准确性和稳定性有所提高，还能够发现网络中的重叠社区。（3）提出了一种基于完全子图改进的适应度算法。因为传统适应度算法对大度结点的贡献度存在低估倾向导致发现的社区结果不可靠，所以利用完全子图的思想对其进行优化。在真实数据集上对算法进行测试。结果表明，和传统算法相比，改进算法能够更为准确地评价结点对社区的贡献情况。