现如今,随着大数据时代的发展,对数据的处理需求逐渐增多,现实世界的系统大多都可以被抽象成复杂网络。复杂网络中有一个特别重要的结构,就是社区,它是具有共同特性的个体的集合,在各种复杂网络中广泛存在,如社交网络中具有共同兴趣的用户往往能成为同一个社区。通过将网络中的社区结构准确高效的挖掘出来,不仅会帮助我们更好地理解网络的拓扑结构,还能更加全面的认识复杂系统的内部规律。但是,社区挖掘过程中出现的一些问题会导致社区发现的质量不佳,如难以准确选取社区中心以及社区之间呈现出重叠特性等。因此,如何准确高效的确定社区中心节点和设计融合网络拓扑结构信息的算法是社区发现研究中需要解决的关键问题。线图是一种能够被广泛应用于边社区发现的模型,边社区发现的明显优势是可以直接得到网络中的重叠社区结构。基于上述理论,本文提出了一种基于线图节点距离的重叠社区发现算法(OCDNG)。该算法考虑到图中链接的拓扑结构,通过使用线图将图的边转为线图的节点,将线图节点之间的节点距离计算出来。得到线图的节点距离矩阵之后,本文又提出了一种新的改进的?测度,用来改进快速搜索密度峰值聚类算法,之后,对线图节点社区进行识别。最后,将线图的节点社区转化为图,得到重叠的节点社区。本文提出的算法与几个经典的社区发现算法在真实的社交网络和生物网络上进行实验比较和分析,结果表明本文算法在归一化互信息度量NMI和扩展模块度EQ指标方面表现良好,不仅提高了社区划分的精度,还保证了算法的稳定性。