复杂网络中的社区发现研究对发现复杂网络中隐藏的规律和预测复杂网络的行为具有重要的意义,是近十几年的研究热点之一。许多聚类分析算法也被应用于社区发现中。密度峰值聚类算法(Clustering by Fast Search and Find of Density Peak,DPC)是一种简洁的基于密度的聚类算法。本文在DPC算法的基础上,提出一种截断距离参数和类簇中心自动选择策略,并结合模糊聚类思想探测复杂网络的社区结构。本文的主要工作如下:1、基于数据场与信息熵理论改进DPC算法。针对DPC算法需要人为地选择聚类中心,且不同阈值的选择对聚类结果影响大等缺点,提出了基于数据场与信息熵改进的算法(F_DPC)。算法通过引入数据场理论指导阈值的自适应选取,并依据数据集的最大信息熵降低分割方法自动确定聚类中心,同时还进一步优化了离群点的检测条件。2、引入模糊聚类思想,结合F_DPC算法发现复杂网络中的社区结构。首先,提出了一种新的节点距离度量方式,然后应用F_DPC算法确定核心社区,再使用模糊聚类思想确定各点的隶属度,完成剩余节点的分配,并设置隶属度阈值区分重叠节点。文章两个实验部分均将本文算法与经典算法在人工数据集和真实数据集进行比较实验,并通过评价指标对结果进行评价,验证了本文方法的可行性和有效性。