自从生物信息学的研究进入到后基因组学时代,基因组信息学的研究重心从揭示生命的遗传信息转移到从分子整体水平上对基因功能的研究上,从整体水平上反映基因功能的蛋白质网络随之成为研究的重点。高通量的生物技术产生了大量的蛋白质网络数据,现有实验结果表明蛋白质网络是由相互作用的、可划分的功能模块所组成。检测这些功能模块对于了解蛋白质网络的拓扑结构是非常重要的。目前已有的三级分子联合体识别算法(MCODE),派系过滤算法(CPM)和马尔可夫聚类(MCL)等方法只是检测网络中“稠密”的簇而忽略了蛋白质网络自身的属性——簇有着不同的尺寸、密度和形状。本文根据蛋白质网络中模块拓扑结构的多样性,提出了一种应用于蛋白质网络的基于谱理论的密度聚类算法。它通过图的Laplacian谱映射将聚类对象映射到特征空间,在特征空间进行相似度的度量并构造相似性矩阵,最后用密度算法DBSCAN进行聚类。这种聚类方法既保留了谱聚类方法从局部信息获取全局信息的能力,又可以从含有噪声的蛋白质网络中发现任意形状的聚类。通过对酵母菌网络的仿真实验研究,从匹配率和功能同源性两个方面与已知的经典算法进行比较,结果表明该方法在应用于蛋白质功能的注释上要优于其它算法。为了进一步验证算法的有效性,对人工合成网络和社会网络也进行了测试,实验结果表明本文算法是可靠的且具有良好的扩展性。