现实世界中有很多系统都可以用网络G(V,E)来表示,这些网络中的实体可以由一组节点V(|V|=n)表示,这些实体之间的关系由一组连接E(|E|=m)表示。例如,在生物学的代谢网络中,节点代表蛋白质,而连接是它们之间的化学相互作用,在社会网络中,节点代表个体,连接对应于个体之间的关系。复杂网络的一个重要特性就是具有社区结构,社区结构最重要的特征是同一个社区内部的节点连接紧密而不同社区之间的节点连接相对稀疏。因此,发现网络中的社区结构能够使我们更好地理解复杂系统的拓扑性质和组织结构,对于我们理解真实世界具有非常重要的现实意义。目前已经有很多用于社区发现的算法被提出,包括图分割算法、层次聚类算法、模块度优化的算法、标签传播算法以及随机游走算法等。但这些算法多是基于数值优化的进化算法,收敛速度慢,局部搜索能力差,不适用于大规模的网络。本文利用复杂网络的聚集性以及深度学习系统可以有效处理大数据分类的特点,提出了一种基于卷积神经网络的社区发现算法。该算法能高效地去除网络中社区间的边,从而挖掘出网络的真实社区结构,尤其适用于大规模网络系统。本文的主要贡献如下:(1)根据复杂网络的聚集性提出了一种将网络中的边结构信息转换成彩色图像(Edge to Image,E2I)的建模方法;(2)构造卷积神经网络模型(Com Net),借助其分类图像的特点间接地去分类网络中的边类型(社区内或社区间),并在边分类的基础上,通过将社区间的边移除得到初步的社区;(3)使用局部模块度R合并初步的社区结构,优化社区最终划分结果。本文提出的算法本质上是一种基于图神经网络的分裂算法,它使用训练好的卷积神经网络模型分类网络中的边并对网络进行分裂,这个过程有效的利用了网络的局部信息,且可以在整个网络范围内一次性对网络进行分裂,减少了迭代过程,提升了算法效率。通过在真实网络和计算机生成的网络中进行实验,表明了本文算法的可行性和有效性。