目前,随着互联网的发展以及技术的创新,个体之间相互联系、相互影响不断加强,形成了规模庞大的动态网络,这些动态网络可以被抽象为动态图。为了对动态网络进行分析,就需要一种行之有效的方法,如社区演化分析方法。基于社区演化,可以有效预测社区未来变化,揭示社区发展的规律,从而有效推动社区的发展。为有效进行社区演化分析,需要对社区结构在不同时间快照的状态进行跟踪。但是目前已有的针对动态网络进行社区演化分析的研究,在对社区结构进行划分时更多考虑周围节点而忽略了节点自身状态变化对社区结构的影响。另外,目前研究在基于相似度对社区演化过程分析时,相似度阈值通常需要人为设定,而阈值的选择却比较困难,加大了面向动态图的社区演化分析的难度。针对以上问题,本论文提出了两种方法:内部状态感知的节点嵌入方法ISANE（Internal State Aware Node Embedding approach）和基于元胞自动机的自适应聚类方法CA-AC（Cellular Automat based Adaptive Clustering approach）,分别用于解决已有方法在划分社区结构时忽略节点自身状态变化对社区结构影响的问题以及对社区演化进行分析时阈值难以确定的问题。除此之外,为了方便科研工作者更好地利用这两种方法进行社区演化研究,本论文还开发了一个面向动态图的社区演化系统。综上所述,本论文所进行的工作具体总结如下:（1）针对社区发现方法忽略节点自身状态变化这一问题,提出了一种内部状态感知的节点嵌入方法ISANE。ISANE方法针对节点自身状态进行建模,同时利用衰减函数,为周围节点对节点影响的大小赋予权重,将节点自身状态变化与周围节点对社区结构的影响相结合,以此来完成对社区数据的链接预测以及节点分类,根据节点分类结果划分社区结构。（2）针对在通过计算相似度来对社区演化进行分析时存在的难以对阈值进行选择的问题,提出了一种基于元胞自动机的自适应聚类方法CA-AC。CA-AC方法通过分析阈值和准确率的关系,使阈值的确定变得简单。另外,CA-AC方法在扩展元胞自动机的基础上,通过对社区结构中的节点进行聚类分析,挖掘社区结构中存在的核心节点。利用核心节点的状态变化,对社区结构的演化进行追踪,从而实现对社区演化事件的检测,并根据演化事件对社区演化进行分析。（3）开发了一个面向动态图的社区演化系统。演化系统利用本论文提出的ISANE方法,实现了对于社区数据的链接预测以及节点分类。根据得到的节点分类结果,系统对社区结构进行了划分。然后,社区演化系统利用本论文提出的CA-AC方法,对节点进行聚类分析,以此挖掘社区结构中的核心节点,从而实现对社区演化事件的检测。利用演化系统,用户能够及时对社区的演化趋势进行了解,对不利于社区未来发展的因素及时进行干预,促进社区发展。