复杂网络可以对现实生活中的各种系统进行抽象化,其中最重要的特性就是社区结构,其应用非常广泛,如社交网络中有共同兴趣的用户往往形成同一社区。如何在网络结构中更精准地识别出社区结构,从而有助于我们更深入地把握复杂系统的内部规律,对网络的拓扑结构形成更全面深刻的认识变得越来越重要。但由于社区挖掘过程中存在的计算复杂度大,社区之间具有重叠性,难以收集整个网络数据等问题,导致社区发现的质量不佳。因此如何设计出优异的社区发现算法是当前研究的重点问题。围绕这些问题,本文的主要研究内容如下:（1）考虑到分布式系统集群管理、节点间通信开销以及大规模复杂网络对单机系统内存带来的挑战等问题,本文提出一种基于标签传播的快速局部社区检测LSCD算法,用来检测无向复杂网络中的社区。LSCD算法使用并行滑动窗口模型对存储在硬盘上的大规模无向复杂网络进行分片并根据需要将数据分片载入内存,然后在每个内存数据分片中寻找不相交的极大完全图（社区核心结构）,并为同一个极大完全图中的节点赋予相同标签及权重,这些标签和权重用作复杂网络节点标签更新开始时的种子。LSCD算法在标签传播阶段,采用同步更新策略,以及采用复杂网络中所有节点的标签号均不为0时停止更新的策略来减少算法的迭代次数。（2）考虑现有的解决方案要么是集中式算法,要么是并行算法,而且需要加载网络的完整知识。但在现实中,收集整个网络的数据并不容易,因为实际网络规模可能会非常大或者是隐私问题。为了克服现有解决方案的不足,本文提出了一种有效的分布式社区发现算法Dis OS。该算法通过节点传递消息与邻居进行通信和数据共享,利用局部信息来对社区进行检测。经过在真实网络数据集上的实验与人工网络数据集上的实验均表明,在不同类型的复杂网络中,本文提出的两种算法均具有良好的社区检测质量和较快的检测速度,其能够更好的适应没有先验知识的真实复杂网络中的社区结构检测。