在互联网科技高度发达的今天,大数据逐渐成为计算领域的关注点和难点,具有非常重要的理论意义和研究价值。复杂网络社区检测问题就是当前一个非常重要的研究热点。为了实现对复杂网络更高精度和更高效率的社区检测,本文主要是采用Hadoop并行计算平台进行算法并行化的设计,目的是有效解决大规模复杂网络的社区检测问题。首先,采用Hadoop平台对复杂网络社区检测过程进行分布式并行计算模型的设计,并结合HDFS模型进行复杂网络原始数据的并行化社区检测划分,然后结合HDFS模型并行批处理优势实现对复杂网络社区检测过程的并行化处理。(1)针对复杂网络社区发现采用Hadoop平台实现,并在此基础上实现对复杂网络的分布式社区并行发现。(2)基于Cluster-dp方法原理设计的基于秩的中心分散稀疏选择方法,对于社区发现过程的初始种子选取过程进行了改进,实现了较好的效果。结合传统的K-means聚类算法,对复杂社区网络中的节点进行类别的区分,实现社区结构的有效检测。专门针对网络社区中的个体的稀疏关系,设计了一种用于社区节点个体属性加强的聚类算法,称为EkNN算法,降低数据噪声对于社区发现过程产生的影响。(3)针对复杂网络社区中的重叠结构,考虑采用基于Hadoop框架设计并行KNN算法的复杂网络社区发现方法,目的是提高社区发现过程的算法性能。设计了基于Hadoop并行框架下的Mapreduce-KNN并行聚类算法,实现了社区发现过程的效率提升。(4)针对复杂网络社区检测问题,对关联规则算法进行改进,主要解决关联规则算法中存在的计算冗余问题,设计了具有单约束的社区检测关联规则算法,同时为了降低复杂网络社区检测算法中的计算量,本文结合Hadoop计算框架中的Mapreduce模型对关联规则算法进行并行化设计。实验结果显示,本文所提的复杂网络社区检测算法具有更佳的社区检测结果和检测效率,对于处理互联网科技高度发达今天的社区检测问题具有非常重要的研究价值。