随着互联网的蓬勃发展,社交网络变得日益庞大和复杂。社交网络是指人与人之间关系而组成的复杂网络。复杂的社交网络存在着一个共同的特性——社团结构,即社团内部的节点联系紧凑,而社团之间的节点联系稀疏。在整个网络中,我们根据节点之间关联关系,寻找联系紧密小型子网络结构的过程称为社团划分或社区发现。网络中的类型社团根据所有节点是否所属于多个社团情况分为非重叠社团和重叠社团。社交网络的社团划分可以应用于多个场景:在同一个社团中推荐好友、对同一个社团中用户进行商品推荐等。由于社交网络具有复杂网络的一般特性,人们常常使用复杂网络对社交网络建立模型进行研究。获得复杂的社交网络中高效而又准确的社团划分,这是研究复杂网络中社团划分问题的出发点和落脚点。在此研究领域中,众多学者提出许多经典的算法:GN算法、谱平分算法、随机游走算法、标签传播算法、CPM算法和EAGLE算法等。然而,近年来,社交网络呈指数式发展,许多经典的算法面临了更多的挑战。本论文着力于无向网络的非重叠社团划分的研究问题,根据不同的社交网络特性提出了三种社团划分算法。(1)面对规模较小已知社团个数网络时,本论文针对非重叠社团划分问题,提出了ECFM算法(Easy Community Finding based on Matrix Algorithm)。该算法划分后的准确率较高,但是该算法存在着不足:需要指定网络中的社团个数,否则无法判断算法终止条件。(2)针对ECFM算法的缺陷,本论文利用遗传算法和聚类算法的思想,提出了GKNM算法(Genetic K-Means based on Normal Matrix Algorithm)。该算法较以前的经典算法在划分准确率上得到明显地提升。该算法由于采用了遗传算法的架构,该算法的运行时间耗费较长。同时,该算法选取了Normal矩阵作为聚类模型,不适用于规模较大的网络。(3)针对复杂的网络模型,本论文利用了LPA算法具有超低时间复杂度的特性,采用了多重标签传播模型,提出了CMLPA算法(Multiple Label Propagation based on Clique Algorithm)。该算法不仅在时间复杂度上与LPA算法一样近乎线性,而且在结果准确率上高于其它一些算法。在设计算法时,CMLPA算法遵循了Pregel计算框架,该算法是可以运行在Spark大数据框架下。