利用复杂网络的拓扑与内容信息挖掘社团结构、并同时对社团进行语义解释已成为社团发现领域的新的发展趋势。通过对网络内容加以分析,我们发现在很多情况下网络内容的语义结构是多层次的,其中存在反映整个网络背景信息的背景主题、代表拥有相似兴趣或功能的社团之共同特性的一般性主题、以及描述每个社团核心兴趣或功能的特殊性主题。然而,现有语义社团发现方法通常忽视了这种语义的多层结构,以统一的眼光来看待复杂网络内容信息中的属性词。这种对属性词的无差别处理与利用,导致了已有语义社团发现算法在对网络内容信息进行描述时具有天然缺陷,没有对语义进行深层次的分层利用,进而影响了对复杂网络社团结构的多角度深入解释、以及挖掘社团结构的精度。为解决上述问题,我们提出了两个语义社团发现模型,分别是双层语义社团发现模型以及多层语义社团发现模型,递进地完成了多重语义社团发现的任务。1)我们通过贝叶斯概率框架来对真实网络进行建模,并设计了高效的变分期望最大化算法学习模型参数。2)通过对背景主题、一般性主题与特殊性主题进行区分,最终我们的模型不仅能够更准确的发现社团结构,而且能用背景主题去解释整个复杂网络的背景,还能够利用特殊性主题解释社团的核心语义,利用一般性主题描述兴趣或功能相似的社团共性。我们将上述两个模型分别在八个真实网络中与八个已有社团发现算法作对比,验证了两个模型挖掘社团结构的准确性。另外,我们还设计了两个相应的案例研究,来验证其社团发现的语义解释能力。最终验证了我们的语义社团发现算法不仅能够更加准确地发现蕴含在复杂网络中的社团结构,还能够对复杂网络以及社团结构进行多层次的语义解释。