随着科学技术的发展,科学研究理论的变革,复杂网络已成为热门研究课题。目前,发现的复杂网络结构特征有小世界、无标度、幂律分布等,其中比较重要且研究广泛的是社团结构特征。在大容量存储成为可能、大数据时代到来的背景下,当今各领域的网络均呈现出规模大且频繁平稳变化的特点。以往提出的社团划分算法并不能被直接简单地从传统小规模静态网络上移植到当今大规模动态网络平台上运行,这样做是低效率的,甚至是不切合实际的。因此,针对当今各领域网络形态的特点,提出一种专门应用于动态大规模复杂网络的社团划分算法,来解决复杂网络动态变化引起社团划分变动的问题。本文在余弦相似度的基础上提出了用于描述两点距离的结构相似度——基于二级影响的结构相似度的定义。所谓二级影响结构相似度,即是网络中边的变化不仅会影响两端点,同时也可能会对两端点邻域内的节点造成影响(点变化同理)。针对当今复杂网络超大规模的特点,在节点间结构相似度及结构相似度相关的定义基础上提出了一种局部的静态社团划分算法LBS (Local method Based on Similarity)算法。LBS算法采用局部思想,即可以不用掌握全局信息,就可以进行社团划分,极大降低了算法的时间复杂度。LBS算法采用两阶段方式对网络进行社团划分：第一阶段,通过节点的连接偏好,形成社团小结构；第二阶段,通过发挥连接偏好链中核节点的角色任务,对连接偏好链进行连接,最终形成社团结构。基于LBS算法在社团的增量更新上的优势,本文进一步提出了动态复杂网络上的社团增量更新算法IU-LBS (Incremental Updating LBS)算法。IU-LBS算法在网络发生变化时,首先检测变化相关节点集,然后对属于不同类别的节点采用相应的社团更新方法。本文通过在多个真实网络和人工生成网络上运行LBS静态算法和IU-LBS动态算法,进一步实证了LBS算法针对于静态复杂网络的社团划分、IU-LBS算法针对于动态复杂网络的社团更新均是高效准确的。