社区结构是复杂网络的重要特征之一,如何有效发现社区是一个重要热点问题。标签传播算法是社区发现算法中非常重要的一类算法。本文在经典标签传播算法LPA和MLPA的基础上,使用节点影响力和信息熵的概念,针对原有算法的不足和缺陷,对这两种算法进行了改进和优化,得到了更好的实验结果。为了改进传统标签传播算法LPA中节点更新顺序的随机性和不合理性,本文引入节点影响力的概念,结合节点相似度,提出一种新的节点影响力计算方式,并将其用于改进标签传播算法。本文提出三种可用于计算节点影响力（INF）的方案,并在小型数据集上针对这三种不同方案进行了测试,用社区数量评价指标（CN）对结果进行评价,最后决定其中最优方案。基于这一方案,本文提出改进后的INF-LPA算法。在这种节点影响力计算方式的基础上,本文还借助信息论理论,对多标签传播算法MLPA进行了改善,改进后的算法能够更准确地观察和发现复杂网络中的社区结构。本研究借鉴多标签传播算法MLPA的发现过程,通过引入节点影响力和信息熵的计算,以平均互信息（AMI）为桥梁,提出一种新的社区发现算法AMI-MLPA。该算法采用了节点影响力计算与排序、AMI最大化选优等策略,首先对每一节点设定一独立标签,并根据节点在网络中的影响力大小确定传播顺序;然后,在标签传播的过程中,算法综合平均互信息与MLPA中传播强度的思想来筛选标签,通过选择平均互信息与传播强度更大的标签,得到更加合理的社区划分;最终,将标注同一标签的节点划分至同一社区。本文在真实数据集和LFR基准人工合成数据集上开展了大量实验,并使用标准化互信息（NMI）指标作为评价标准。在真实数据集上的结果表明AMI-MLPA算法划分效果总体优于Fast GN、GN、LPA、MLPA、CDRS、DCN、GLPA、GLLPA等算法。特别是,在规模为10万节点的人工合成数据集上划分结果的准确率可达98.4%,验证了算法的有效性。