网络社区是一组网络节点构成的集合,集合内部节点间互相连接的概率相对高于集合间节点互相连接的概率。社区结构是网络重要的结构特征,它能帮助我们了解网络拓扑结构、认识网络功能。网络社区结构检测已经用于社会网络分析、商品销售策略研究、恐怖组织识别、生物网络分析、Web文档聚类、搜索引擎等方面。社区结构检测已经成为多学科交叉领域研究热点。本文围绕社区检测方法Greedy Louvain Method(下文简称Louvain)结合图信号去噪和质量评估开展工作。具体研究内容如下:1、提出基于Louvain方法的改进方法(ILouvain)Louvain是一种快速大网络社区检测方法,但是由于基于模块性最优化方法的固有局限性,它不能检测出具有某些特征的小尺度社区。为了克服了这种缺陷。本文设定一个模块性能阈值,当子图的模块性高于这个阈值,我们认为子图仍有社区结构,继续进行分割。我们发现不同图的空模型模块性不一样,但是同一图的空模型模块性都集中分布在一个窄区间。因此本文把空模型的模块性加上一个小值作为阈值。我们在多个基准图上进行测试,实验结果表明ILouvain方法确实能更准确地捕捉小社区结构。2、提出基于组的图信号去噪思想社区检测可以和图信号去噪相结合,如首先进行社区检测,然后对每个社区分别进行处理。本文将这种思想用到了其它一系列的方法中。我们根据社区上的信号的均值对社区进行分组,将信号均值相近的社区归为一组,然后移除不同组之间的边。实验结果表明这种方法能较好地保存图信号的高频,较好地保存了去噪结果边缘,明显地提高了去噪结果的信噪比。3、提出了图结构相似度GSSIM(Graph Structure Similarity)峰值信噪比是常用的图信号质量评估度量,它计算简单且物理意义明确。图有社区结构,每个社区可能又有中心点和边缘点。这意味着每个点的重要性可能是不同的,不同的点受到相同大小的噪声干扰对图质量的影响可能不一样。为了使图信号质量度量更符合图信号特有的结构,受图像结构相似度的启发,本文提出了GSSIM。它以社区为单位,比较两个信号的相似性时引入边的权重。实验结果表明本文提出的度量可以作为一个备选的图信号质量评估度量。