随着移动智能设备的普及和5G技术的应用,社交网络迎来了新一波的发展高潮。社区发现是社交网络分析领域的重要研究内容之一。社区发现旨在将网络中的节点划分为若干个不同的社区,使得社区内部的节点连接紧密,社区外部的节点连接稀疏。很多社区发现算法只针对静态网络,而现实世界的网络由于节点的离开、联系的中断、新节点的加入或新联系的建立呈动态变化,因此对动态网络的社区结构进行检测和研究具有重要的现实意义。研究动态网络的社区结构可以有效预测网络的未来变化趋势,能够在精准传播信息、电商营销和群体事件监管等领域发挥重要作用。标签传播算法是一种经典的社区发现算法,该算法具有计算成本低、效率高的优点,然而在利用标签传播算法进行动态社区发现时却存在准确性低、稳定性差的问题。针对这些问题,本文设计了发现动态社区的DCLPA（Dynamic Community Detection Algorithm Based on Optimized Label Propagation）算法。首先根据相关程度β值决定采用独立或增量式的社区划分,以减少动态社区发现的累积误差以及因过多增量而带来的计算成本;其次将增量分为四种类型,针对不同的增量提出了不同的调节策略;然后在调节每种增量时利用活跃节点列表排除标签已经收敛的节点,减少标签的冗余传播;最后在标签传播过程中通过储备标签集选择标签并结合邻接紧密度来更新标签,降低了标签传播的随机性。通过与其他动态社区发现算法在人工合成和真实动态网络上的对比,验证了本算法的正确性和有效性。模块度用来评价社区划分的效果,利用模块度增量进行社区发现具有快速、准确性高的优点,Louvain则是该类算法的代表。但如果在划分社区时只依据模块度增量而忽略了节点在社区内部连接的紧密程度,会出现因模块度增量为正而将连接稀疏的节点错误划分到一个社区的问题。此外,很多动态社区发现算法采用的思想是先遍历每个增量,再单独对增量进行处理。这种处理不仅割裂了增量之间的关联,而且增加了计算成本。针对上述问题,设计了一种基于Louvain的改进动态社区检测算法,该算法在使用Louvain算法划分超节点时首先进行解压缩,再利用标签传播结果为超节点选择合适的社区,以减小模块度分辨率的局限性;通过活跃节点列表收集新增节点、引力节点以及动摇社区中的节点,创建初始社区结构,并将改进后的Louvain算法用于当前时刻网络的社区发现,集中地对增量进行处理,减少了逐个处理增量带来的计算成本。在人工合成和真实动态网络上的对比实验证明了本算法的正确性和有效性。图17幅,表10个,参考文献85篇。