社区结构是现实世界复杂网络中的一个重要特征。在近些年,科学家们已经提出了许多社区发现算法并取得了巨大的成功。研究社区发现算法,有助于了解网络的拓扑特征,发现网络结点之间的关系等,并且在网络个性化信息推荐、电子商务、网络文化安全评估等领域有重要的实用价值。本文主要针对复杂网络中的社区特性和结构展开研究,在比较研究各种现有社区发现算法的基础上,针对存在的问题,提出了一种新的社区发现算法,并设计了一种网络社区发现可视化解决方案。主要工作和创新点包括以下几个方面:论文对现有社区发现算法进行了分析、比较和总结。结合复杂网络相关理论基础,深入分析了现有的典型社区发现算法,包括面向重叠和非重叠社区的发现算法。从多角度全面分析了这些算法的优势和存在的不足之处。发现现有算法普遍存在两个问题:一是在一定程度上依赖于某些先验信息;二是计算复杂度较高,难以应用于大规模网络。并且,社区发现的结果过于抽象,可用性受到限制。针对现有算法的缺陷,本论文研究并提出了基于连接强度的社区发现算法CDCS。本算法的创新之处在于,利用结点间的连接强度把结点划分到不同的社区内。具体而言就是使用弱结点假设原理来决定了该节点所属的社区。与现有方案相比,本算法具有简单、准确和计算复杂度低等优点。论文使用实际网络数据和LFR标准数据集,仿真验证了 CDCS算法在不同网络中的准确性和高效性。针对社区发现可视化问题,本论文研究并建立了 D-Treemaps网络社区可视化模型。本模型是一个基于多维数据表达的网络社区发现可视化模型,可以将社区发现的效果更好地呈现给用户。该模型采用动态的Treemaps可视化方法来增强在线网络信息的呈现,不仅可以表达多维信息,还可以用动态的方式展现出来。模型通过快速有效的信息导航,方便用户能够在一个页面内查看完整的信息模块,并快速锁定特定的信息项。论文还使用真实数据对模型进行实验分析,证明了模型的可行性。