随着网络规模的不断增长,如何在规模较大的网络中去发现复杂网络的重叠社区结构成为了近年来的研究热点。历年来研究者们提出了许多经典的重叠社区发现算法,基于局部拓展优化的重叠社区发现算法是其中的一类典型方法,它主要分为两个阶段:种子选择阶段和局部扩展阶段,但该类算法还存在着算法社区划分质量不够高,只适用于小规模社团发现的问题。为此本文将针对重叠社区划分质量不高的问题进行研究和改进,同时为了提高算法的效率,研究算法的并行化处理及分布式并行实现,本文的主要工作如下:（1）针对当前局部拓展重叠社区方法没有充分考虑节点的重要性和相似性从而导致社区划分质量不高的问题,本文提出了一种基于点权和边权的局部扩展重叠社区发现算法（ROCDNWS）,该算法综合考虑网络节点的全局信息和局部信息来衡量节点的重要性,同时考虑基于边权的节点相似性,提出了一种新的种子集选择方法,利用节点重要性和相似性计算邻居节点与核心节点的适应度值,选择使初始局部社区质量函数最优的邻居节点作为种子集,并通过种子集进行拓展,每次选择与社区适应性最高的邻居节点形成初始社区,最后通过社区的优化合并得到最终的重叠社区。实验结果表明,与其它的经典重叠社区发现算法相比,本文提出的ROCDNWS算法在重叠社区检测质量及算法的准确性都有良好的表现。（2）针对上述算法存在时间效率不高的问题,本文基于Spark GraphX并行化计算框架,提出了一种并行重叠社区发现算法PROCDNWS,该算法在ROCDNWS算法的基础上,先通过点权和边权的并行化处理之后得到了 dightWightRDD（点权值）和edgeWightRDD（边权值）,然后根据这两个值选择核心节点及其适应度最大的前K个邻居来构建初始种子集seedsRDD,算法使用广播机制将节点和边信息发送到各个集群来完成种子集的并行社区扩展,最后在各个partition上完成社区的合并。并行化算法通过构建Spark分布式集群环境来完成相关实验,结果表明:将ROCDNWS算法进行Spark并行化操作是可行的,可以进一步提升算法的效率。