现阶段,随着数字化管理的快速发展,现实生活中的系统日益复杂化,这些系统可以抽象表示为复杂网络,方便对其进行研究。社区结构作为复杂网络的众多特性之一,对其挖掘为认识复杂网络的拓扑结构和主要功能提供了新的途径。例如掌握犯罪小团体、控制公共舆论、购物平台的个性化推荐等很多问题都能通过识别网络中的潜在社区来解决。本文利用复杂网络的局部信息对网络中的社区结构展开研究,主要工作有:（1）提出了基于边界节点的局部扩展社区发现算法。现有局部扩展算法存在预设定阈值难以确定,随机选择初始节点导致划分结果不稳定性等问题。针对这些问题,本文考虑选取网络中的边界节点作为算法的初始节点,该节点在网络中的连接关系简单易掌握,将该节点与对其吸引力最大的邻居节点合并作为初始社区进行局部扩展。当前社区内所有节点的邻居节点集合构成候选节点集,从候选节点集中选择能使社区适应度函数增大的节点加入到当前社区并更新候选节点集,直至当前社区的候选节点集为空。然后重新选择边界节点,重复上述过程,直至网络中所有节点都有各自的社区标签为止。在人工生成网络和真实网络上的实验结果表明与其他三种同类算法相比,本文提出的算法表现出较高的准确性。（2）提出了基于动态博弈的重叠社区发现算法。现有的基于博弈论的社区发现算法主要存在节点无序更新策略,节点需要考虑网络中所有节点的社区归属来更新策略,节点效益函数未考虑节点自身属性等问题。为了解决这些问题,本文利用一次标签传播算法对网络中的节点进行社区初始化,得到连接两社区的桥接节点集合。定义节点重要度对桥接节点进行排序并依次进行博弈,桥接节点按照设定的策略更新规则通过加入社区、转换社区和离开社区三种策略来优化改进的节点效用函数。当网络中所有节点都不能通过改变自身策略来增加效用函数值时,算法结束。在人工生成网络和真实网络上实验结果表明与其他三种同类算法相比,本算法不仅降低了运行时间,在社区划分精度上也有所提高。