对各种领域的真实网络进行重叠社区发现,对于理解复杂网络的结构和演化起着关键作用。社区结构是网络中的局部性质,与节点局部邻域的构成紧密相关,本文对基于节点一阶邻居中心性和节点k-shell重要性的重叠社区发现算法开展研究,主要工作有:（1）提出了一种基于节点及其一阶邻居动态度信息的节点中心性度量指标,即节点一阶邻居中心性。根据节点及其一阶邻居的度信息计算每一轮的节点中心性,选择中心性大于等于指定阈值的节点作为种子节点,直到不存在满足条件的节点为止。该中心性指标充分考虑了节点及其一阶邻居的度信息,表示了节点成为社区中心的可能性,并且采用节点度同步更新的策略,在保证发现规模较大社区的中心的同时,可以进一步发现网络中规模较小的社区的中心。（2）提出了一种基于一阶邻居中心性的重叠社区发现算法FCSLPA（Node Firstorder Neighborhood Centrality-based Algorithm for Speaker-Listener Label Propagation）用来发现重叠社区,节点一阶邻域信息的度量对于网络中心节点的确定是一个关键问题。首先根据节点一阶邻居中心性指标选取种子节点;接着利用中心随机扩散和SpeakerListener标签传播策略进行种子扩展生成初始非重叠社区,最后在边界节点上根据标签过滤公式进行标签过滤,保留的标签作为边界节点的最终标签,从而得到最终的重叠社区划分结果。在5个真实网络和8个人工合成网络上,与4个经典的重叠社区发现算法进行对比实验。实验结果表明:在真实网络上,FCSLPA算法可以较好地发现网络中的真实社区结构以及扩展模块度较高的重叠节点;然而在社区结构比较模糊的人工合成网络上,FCSLPA算法计算出的社区发现结果仍然存在较强的随机性,导致算法识别真实社区的效果欠佳。（3）基于FCSLPA算法随机性较高导致算法识别真实社区的效果欠佳的问题,进一步提出了一种基于改进的k-shell的标签传播重叠社区发现算法FCKSLPA（First-order Neighborhood Centrality And K-shell based Algorithm for Speaker-Listener Label Propagation）用来发现重叠社区。首先计算出网络中的种子节点并对种子节点进行标签预处理;在标签传播过程中,计算网络中每一个未分配标签的节点的k-shell值,按kshell值降序排列的顺序对节点依次进行访问;通过改进的Speaker-Listener策略进行标签传播,即如果Speaker节点内存中存在多个出现次数最多的标签,则随机发送其中一个标签给Listener节点;最后将边界节点的内存中标签出现次数高于指定阈值的标签作为节点最终社区标签。在5个真实网络和8个人工合成网络上,与FCSLPA算法以及4个经典的重叠社区发现算法进行实验比较。实验结果表明:在真实网络上,FCKSLPA算法在识别真实社区结构以及发现较高质量的重叠节点方面比其他算法均具有较大优势;在人工合成网络上,FCKSLPA算法相比其他算法可以更为有效地识别网络中的模糊社区,算法具有良好的鲁棒性。