大数据时代已然到来,以复杂网络为载体的网络科学应运而生。网络科学的一个重要研究领域是发现复杂网络中的社团结构。复杂网络中的社团结构是内部紧密链接、外部稀疏关联的聚簇。社团结构,作为理解复杂网络单体到整体的桥梁,是认识复杂网络微观宏观结构的关键节点,是探究复杂网络时空演变的重要支撑,是实现复杂网络预测控制的关键枢纽。现有发现复杂网络社团结构的方法多集中于非重叠网络结构,而作为更契合实际网络的重叠社团发现方法鲜于涌现;原始复杂网络大都结构混沌不易挖掘,并且复杂网络重叠结点是一经发现始终定性,因此本文提出基于二分化网络的重叠社团探测算法OBP。OBP创新地转换原网络为结构清晰的二分化网络、新颖地运用标签传播实现边聚类、简洁地二次判定网络重叠结点、精炼地完备划分密度指标。另外,本文提出基于马尔科夫链随机游走的重叠社团探测算法OMCL。OMCL由以信息流动为目的的扩展操作及以强化社团弱化边界为目的的膨胀操作所得到的矩阵,通过自适应阈值重写矩阵以重构网络,使之呈现与原网络对应的重叠社团结构。实验验证,OBP算法在四个人造数据集及八个真实数据集上与三个高效算法对比,两指标EQ与EPD均具有显著的优势,并且算法健壮、结果稳定。同样,OMCL算法在四个人造数据集及七个真实数据集上与五个高效算法对比,PD与EQ指标的综合表现最佳,且算法快速收敛。