随着现代网络科学的研究和发展,复杂网络展现出许多重要特性,其中最重要的特性之一是复杂网络的社区结构。社区结构揭示了复杂网络的拓扑结构,对于分析网络功能,发现网络规律都有着重要的意义。现今,社区结构发现已成为复杂网络研究的焦点,得到了广泛而深入的研究。但现今的社区算法依然存在许多问题,如需要事先设定社区个数,算法复杂度高、稳定性差等。聚类分析是模式识别与系统建模的重要方法,广泛应用于数据挖掘、人工智能、图像处理等领域。基于模糊划分的模糊C均值算法(FCM)是一种基于目标函数的聚类分析方法,由于其完善的理论得到了广泛的应用。本文在FCM算法的研究基础上,对FCM算法进行改进,并将改进FCM算法应用于复杂网络社区发现中。本文主要做了以下几方面的工作：1.本文基于FCM聚类算法提出了一种基于数据场的改进FCM算法。该算法将数据场理论与FCM算法相结合,通过势场分布来寻找最优聚类中心,避免了因聚类中心选择不当而导致算法陷入局部极值点的错误,同时减少了算法的迭代次数。该算法提出基于分离度的小类合并方法,避免了聚类个数的预先设定,同时提高算法的应用范畴。仿真结果表明,改进算法一定程度上改善了FCM的缺陷,聚类效果及聚类性能优于FCM算法。2.针对复杂网络中存在大量重叠社区,本文提出了基于FCM的重叠社区发现算法。该算法引入拓扑势寻找网络的中心节点,降低了社区发现结果的随机性。该算法利用FCM算法对网络进行模糊聚类,用隶属度描述网络节点的模糊性,实现网络节点的模糊划分。该算法提出基于模块度的社区合并策略,提高了社区发现的准确性,发现社区的个数更接近实际网络中的社区个数。仿真结果表明,本文算法能有效的发现网络中的社区结构,准确反映网络的内在结构,其性能优于其他社区发现算法。