网络中的社区检测由于能够发现隐藏在网络中的一些有用信息而受到广泛的关注,识别网络中的社区也有助于有效地理解和利用网络,例如检测引文网络中的社区可以找到相关主题的文章,检测购物网络中的社区帮助构建推荐系统等。在当今时代,现实世界由各种各样的网络构成,因此利用网络中的社区来发现有价值的信息已经成为了研究的热点问题。检测网络中的社区是一个NP-难问题。目前已经有许多学者设计了不同的社区检测算法,并且现有的大多数社区检测算法都使用到网络的全局信息,如网络直径等,但是当网络规模变大时,获取全局信息的难度也会变大,导致算法效率下降;此外,还有一些算法需要网络的先验信息,如社区数量等。本文通过对网络的分析,提出了一种自适应社区检测算法,该算法仅利用网络局部信息来检测网络中的社区,并且不需要网络的先验信息。算法首先利用网络的局部信息计算节点的重要性;然后根据节点重要性排序,依次选择种子节点构造初始社区,并扩展社区;最后对得到的社区进行优化。随着网络规模的变大,网络中的社区种类和个数也越来越多,然而用户关心的往往只是网络中的某一个社区,而不是网络的全部社区,因此局部社区检测也渐渐成为研究的热点,局部社区检测是找出给定的节点所在的社区结构。本文设计了一种利用图卷积网络的半监督学习检测局部社区的方法,该算法首先设计了样本节点的选择策略;然后使用两层的图卷积网络进行训练,得到节点对局部社区的隶属度;最后设置隶属度阈值筛选出符合条件的节点。在实验部分,本文提出的两种算法在合成网络和真实网络中进行了大量的对比实验,通过对实验结果的分析,本文所提出算法的性能优于对比算法。