社区结构是复杂网络的一种重要拓扑特性,划分社区对于复杂网络的研究和应用具有重要的理论和实用价值。由于节点相似性计算简单高效,成为了众多学者研究社区划分的重点。但现有社区划分算法中,节点相似性的计算忽略了公共邻居节点之间的差异性,并且需要不断的调整参数来获取最优划分结果。随着网络中节点和边的加入、删除,社区结构也在不断变化,研究者们提出了相应的动态社区划分算法来捕捉动态网络中的社区结构,其中基于增量式的动态社区划分算法由于只需考虑网络中发生变化的节点和边,极大地提高了动态网络中社区划分的效率。但其最终结果受初始网络社区结构和增量划分过程的影响,容易产生误差累积的问题。因此,本文针对静态网络与动态网络中社区划分存在的问题,提出基于节点相似性的动态网络社区划分算法。本文的主要研究内容如下:对于传统的静态网络,为了解决现有基于相似性的社区划分算法对节点对的区分度较低,社区聚合参数选取复杂,社区划分结果具有随机性的问题,提出一种基于公共邻居聚类熵节点相似性的静态社区划分算法。首先,为了提高社区划分精度,将公共邻居和聚类系数以熵的形式结合,提出一种新的节点相似性度量,进一步准确地识别出各节点的紧密相似节点集。其次,为降低社区发现结果的随机性,基于紧密相似节点集,利用节点领导力确定最紧密相似的一阶邻居节点进行合并创建初始社区。最后,针对现有算法中参数选择困难的问题,结合模块度优化的思想,采用两层合并的方式迭代划分最终社区。实验结果表明,与其他三种算法相比,在具有真实社区结构的静态网络中,所提算法的归一化互信息值平均提高了17.60%,在不具有真实社区结构的静态网络中,所提算法的模块度值平均提高了7.56%。对于动态网络,为了解决现有增量式社区划分算法忽略同一社区内部节点和边的变化造成增量划分错误累积的问题,提出一种基于增边节点相似性的动态社区划分算法。首先,采用基于公共邻居聚类熵节点相似性的静态社区划分算法来划分动态网络首个快照的社区结构。之后,基于前一快照网络的社区结构,在相邻快照中识别出反映网络变化的活动节点并为其分配社区,实现第一阶段的社区发现。然后,在增量划分过程中,考虑到同一社区内部加边对社区结构的影响,定义了增边节点,将第一阶段的社区结构分裂为多个由增边节点构造的局部社区和单例社区。通过对分裂后的社区进行合并和优化,获得动态网络的一系列社区结构。实验结果表明,相对于其他四种动态社区划分算法,所提算法在人工合成动态网络中的归一化互信息值和模块度值平均提高了43.63%和74.34%,在真实动态网络上,模块度值平均提高了21.18%。