“物以类聚，人以群分”，社区结构是在线社会网络最普遍和最重要的拓扑属性之一，具有节点在同一社区内连接紧密，社区间的节点连接稀疏的特点。处于同一社区内的节点可能代表的是实际网络中有共同生活背景或爱好的真实社会团体，有效挖掘出隐藏在在线社会网络中的社区结构具有重要的理论研究意义和广泛的应用前景，是数据挖掘领域的热点研究问题。通过对在线社会网络社区发现算法研究现状的分析，现有算法存在时间复杂度高或社区识别精度低的不足，为了快速、准确地挖掘出隐藏在在线社会网络中的社区结构，基于三元闭包原则提出了以下两个算法：一种基于邻居节点相似度的复杂网络局部社区发现算法，以同处一社区概率最大的2个节点为初始社区，利用提出的节点相似度公式作为衡量标准将初始社区的邻居节点不断加入到初始社区，利用提出的社区Q值公式作为完成识别局部社区的依据；与现有的R方法、M方法相比，该算法能够自动确定局部社区的大小；针对3个典型复杂网络并与GN算法、CNM算法相比，实验结果表明，该算法识别出的网络局部社区精度更高。基于中心节点相似度的在线社会网络社区发现算法，首先将海量用户连接关系简化为中心节点之间的连接关系，再应用“随大流”思想划分各节点到所属社区；这样在识别中心节点社区结构时就减少了很多需要处理的数据，对大规模在线社会网络的分析起到了化繁为简的作用。算法仅利用了在线社会网络中各节点的局部特征，其时间复杂度较低，适用于大规模在线社会网络社区结构分析；使用NMI标准来评估该算法的有效性，并与LP算法、CNM算法进行比较，实验表明，该算法能够更有效识别在线社会网络的社区结构。