现实生活中许多的复杂系统都可以用复杂网络来表示,例如社会网络、生物网络、信息网络、交通运输网络等等。大部分的复杂网络可以看成由多个社区组成,同属于一个社区的节点更有可能具有相似的性质或相近的功能。社区检测就是利用网络拓扑结构中所包含的信息从复杂网络中解析出其模块化的社区结构。复杂网络的社区检测,在分析网络的结构功能、发现网络中元素之间的关系、预测网络的动态发展等方面都具有非常重要的意义。本文分析了复杂网络社区检测的发展现状,并对现有的社区检测算法进行了研究分析,尝试使用一种新的方法解决社区检测的问题。本文将node2vec算法应用于社区检测的问题中,该方法使用node2vec算法作为桥梁,将社区检测问题转换为向量的聚类问题。方法的步骤为:首先采用一种二阶的随机游走策略生成一系列线性序列,然后使用Skip-Gram模型去训练特征向量,最后使用聚类算法对训练出的节点特征向量进行聚类,实现对社区的划分。通过实验对比证明了该方法的可行性。对于复杂网络的社区检测,基于模块度优化的算法一直是近年来的研究热点,自适应遗传算法是基于模块度优化的典型代表并且在社区检测方面已经有了比较成熟的应用,然而该算法最终容易陷入局部收敛,找出的优良个体不一定是全局最优。本文提出一种改进的自适应遗传算法,该算法设计了一种新的交叉变异概率的调节公式,该调节公式实现了在适应度的全部定义域内对交叉变异概率的自适应调节,而且分段设置了个体交叉变异概率的浮动范围,既提高了种群的收敛速度,又保留了种群中较优的个体。通过一系列的实验以及和其他算法的对比分析,证明了本文提出的算法在社区检测的准确度上有了较大的提高。