随着对复杂网络理论研究不断深入,人们发现,现实世界中的大量现象能够使用复杂网络来刻画,复杂网络是由网络拓扑图中相互之间具有复杂关系的一些节点以某种方式连接在一起所构成的系统。社团检测能揭示社会中自然现象的变化和发展规律,对于研究动态网络具有很强的现实意义。对动态网络进行社团演化分析的传统方法,基本上均采用提取每个时刻网络快照的方式来找出此时刻的社团结构,将相邻时刻的社团相结合进行分析。针对传统的社团检测算法不能形象地刻画动态网络、并且算法时间复杂度高的缺点,本文提出了在时间平滑度框架下,对能够表征社团质量优劣的函数进行优化分析,找出最优社团。传统的社团检测算法具有时间复杂度较高的缺点,而谱分析法所花费的时间复杂度低,且能够将矩阵转换为容易理解的迹的形式。但是谱分析法需要事先知道社团的数目,将谱分析法和k-means算法相结合,能够很好地解决这个问题。基于以上基础知识,本文将谱分析法与k-means算法相结合,采用进化聚类框架以引入历史信息来指导当前时刻的社团合并策略。对能够表征社团质量好坏的模块函数Q,模块密度函数D,以及否定平均函数NA进行了优化。由此,既解决了动态网络社团质量检测的问题,又克服了需要预先知道社团数目的缺点。本文借助人工合成数据集和真实网络数据集,.并结合归一化互信息NMI和基因概率这两种评估标准,将本文提出的算法与FaceNet算法、动态多目标遗传算法(DYNOMGA)等进行仿真对比。从实验结果可以看出,跟其他算法相比,在有效的时间内,本文提出的算法在检测社团时取得了更好的效果,可用于大规模的复杂动态网络社团演化分析。