随着社会的发展,越来越多的复杂系统和社交网站开始流行。复杂系统和社交网络可以被抽象地描述为复杂网络,如常见的朋友关系社会网络、科研合作网络、电影演员合作关系网络、交通运输网络等等。与此同时,社团结构作为复杂网络的一个关键结构规律吸引了越来越多的科研人员对其进行研究。因此,如何准确检测出复杂网络中的社团结构也成为了一个重要的研究课题。本论文主要研究社团检测问题。针对部分社团检测算法在社团结构不明显的情况下并没有较好的检测结果,本文提出了两个社团检测算法：DDSCDA和SPDDA。DDSCDA是基于节点度之差和节点相似性度量的社团检测算法,该算法首先从未分类的节点中选出一个度较大的节点作为核心节点吸引其邻居节点加入该社团,重复这一过程,直到所有节点都被划分到相应的社团；然后以得到的社团结构为起点,使用LPA算法的思想进行标签传播,直到每个节点的标签都与其邻居节点中占多数的标签一致。DDSCDA能够在预先不知道社团结构数目条件下,对社团结构不明显的网络能够准确的检测出其所包含的社团。SPDDA是基于最短路径和节点度之差的社团检测算法。算法首先基于节点之间的最短路径和节点度之差进行候选核心点的选择,然后从候选核心点集合中选取未分类的核心点来吸引其邻居节点加入其社团,直到候选核心点集合中的元素都被遍历完时,得到最初的社团结构；然后根据多数投票原则对初始的社团结构进行修正得到最终的社团结构。此算法能够准确的检测出网络中所包含的社团结构。论文在三个真实网络数据集和一个人工合成网络数据集上进行实验,并对算法的社团检测结果进行可视化显示。同时将提出的两种算法分别与LPA算法、LPAm算法以及FastQ算法进行比较。实验结果表明,两种算法都能够在无需预先知道社团数目的基础上,无论网络的社团结构是否明显,都能够准确的检测出所包含的社团结构。