如今的社会网络,已不再是狭义上社会学研究的内容,转而成为了集尖端的科研价值与巨大的商业潜质于一体的火热研究课题,吸引着愈来愈多各领域的研究人员的关注。随着时代的发展,互联网中的数据也以井喷式的速度急速增加,大数据时代中的网络已经变得异常复杂。社区结构是复杂网络中最重要的特性之一,其由一系列点和边组成,具有社区内部的节点连接十分紧密,社区相互之间的节点连接松散的特征。怎样在网络中准确的找出隐藏的社团结构就是社区发现问题研究的重点。现有的社区发现算法存在着许多问题,目前还难以攻克算法时间效率和社区划分精度二者不可兼得的问题。追求划分的准确率会导致算法的时间复杂度增加,而优化了算法的运行速度却又导致算法精度上的缺失。除此之外,一些算法还依赖预先了解网络的属性特征和待划分社区的数量,而不能自发的通过网络的结构特征来识别社区的结构,依赖人工设定的参数。因此本文提出了一种利用相似性测度函数求得节点之间近似程度的社区发现算法,以社区中度最大的节点作为起始节点,通过相似度测度函数找到与之相似度最高的节点,形成初始状态社区,反复迭代将与局部社区相似性测度函数值最高的节点依次划入到社区中。通过边界测度函数Q确定算法的终止条件,自动结束循环。通过大量的实验并对实验结果进行分析,本文的算法与GN,CNM算法等比较,得到结论是本文提出的算法拥有更好的划分精度并且划分效率较高。