随着信息技术的飞速发展,社会网络在人们生活中的作用愈加重要。真实世界中,社会网络可以用来表示很多系统,例如蛋白质相互作用网络、社会关系网络、传感器网络、科学家合著网络等等。人们希望通过对社会网络的分析,发现其中潜在的信息、规律和知识。其中,社区发现问题是社会网络研究的一个重要问题,通过对社区发现的研究,有利于理解社会网络的结构和功能,发现网络中的隐藏模式并预测其行为规律,对有效地认识社会网络有着十分重要的意义。因此,在过去的十几年中出现了很多关于社区发现的研究成果。但是这些工作大多只关注于单一粒度视角下的社区划分,没有考虑多粒度、多层次下的社区划分,而现有的关于多层次的社区发现工作也仅仅考虑了网络的结构关系,忽视了顶点的属性相似关系,这个问题在重叠社区发现算法中同样存在。而且对于已经发现的社区划分结果,鲜有人通过进一步的离群点检测与修正来提高社区划分的质量和准确性。因此,本文提出了基于融合相似度的多层次社区发现算法和离群点的发现与修正算法,主要贡献和工作如下:(1)针对目前层次社区发现方法中很少有人在发现层次结构的同时综合考虑网络的结构和属性信息的缺陷,本文进行了详细的分析并提出了基于融合相似度的多层次社区结构发现算法,该算法同时考虑了社区之间的结构相似度和顶点之间的属性相似度,并自底向上地构建社区划分层次结构,使整个网络的社区划分更科学和准确。(2)为了发现社区划分中的重叠顶点并提高社区划分的质量与准确性,本文在基于融合相似度的多层次社区发现算法的基础之上,提出了一种离群点的检测与修正算法,该算法是在已经构建的层次社区树中,选定一种粒度视角下的社区划分,然后挖掘社区中的离群点和重叠顶点,并分别进行修正。