复杂网络是现实世界中复杂系统的高度抽象化,挖掘复杂网络中的结构特性是认识和理解复杂网络的手段之一。复杂网络的社团结构是一种外部稀疏关联、内部紧密连接的聚簇,通过利用社团检测算法对复杂网络中的社团结构进行挖掘,是研究网络结构、特性和功能的重要方法,社团检测算法的研究成果还可以应用于信息检索、蛋白质复合物分析等领域。尽管目前存在大量优秀的社团检测算法,但其仍具有一定的局限性。因此,本文改进了两种社团检测算法,主要内容和贡献如下:针对大规模网络的社团检测问题,本文提出扩展基于中间节点隶属强度的社团检测算法(EBIAS),该算法基于BIAS算法进行改进。BIAS算法利用对中间节点的隶属关系进行计算来划分社团,提高了在大规模网络下社团结构检测算法的性能。但实验结果表明,当在社团结构复杂的情况下,例如在LFR生成混合系数大于0.5的数据时,BIAS算法的性能受到影响,导致算法不稳定,针对此问题,本文通过引入聚集系数和HDI指标,改进BIAS算法的初始化过程和中间节点隶属度划分过程,从而提高针对大规模网络社团检测算法的效率。针对蛋白质复合物划分问题,本文提出了一种基于蛋白质分子之间相互作用力的IFPM算法。IFPM算法受到范德华力定义的启发,根据蛋白质分子之间的相互作用力,选择邻近蛋白质的最大作用力为标签,并在标签传播的迭代过程中更新蛋白质标签。通过标记传播,相同复合物中的蛋白质将被分配为相同的标记,从而对蛋白质复合物的类别进行划分。最后,本文也采用多个人工数据集和真实数据集进行实验,实验结果表明,EBIAS算法和IFPM算法均能探测出高质量的社团结构。