实际生活中的大多数事物关系都可抽象为复杂网络的形式,而社区结构作为复杂网络的一个显著特征,对分析网络特性、网络内部潜在的关系以及网络的构成等具有非常重要的意义。如何准确、快速、高质量地划分复杂网络中的社区结构已成为计算机、生物学、城市交通网络、社交网络等领域的研究热点之一。其中,标签传播算法因其具有在大规模网络中收敛速度快、线性时间复杂度等优点,受到广泛关注。然而由于该算法对于标签的随机选择以及节点更新顺序不确定,导致了算法出现社区划分结果不稳定和社区划分准确率低的情况,为解决上述问题,本文主要做了以下工作:（1）为了克服标签传播算法随机性强和不稳定的缺点,本文基于节点重要性和相似性改进原有的标签传播算法,通过计算邻接信息熵确定节点更新序列,然后结合Jaccard相似度指标提出一种新的节点相似度指标,进一步区分节点间的相似度。算法根据节点重要性和相似性确定节点的更新顺序和标签分配规则,舍弃原有的标签随机更新策略,使节点在标签更新过程中更趋向于结构稳定的社区,改进后的传播策略有效克服了算法随机性的缺点并提高了算法的效率。（2）为进一步提高算法在复杂网络划分中的准确率,本文在上述算法基础上,从社区结构的拓扑信息出发,引入密度峰值聚类思想,即聚类中心具有邻居当中最高的局部密度,并且密度较高的点之间的距离相对较大。选取局部密度最大的节点作为初始种子,并对与种子节点直接相连的其他节点赋予同一标签,若节点同时与两个种子节点相连,则根据提出的相似度指标进行划分,然后根据上述规则进行标签传播,使算法进一步检测出高质量的社区结构。本文将提出的两种算法分别在真实网络和LFR人工合成网络上进行实验分析,实验结果表明算法在不同的使用场景中都能取得较好的效果,能从复杂网络中准确地划分出高质量的社区结构。