现实世界中的复杂系统可以抽象为复杂网络,如蛋白质交互网络、科学家合作网络、文献引用网络等。复杂网络中的一大重要特征是社区结构,其含义为复杂网络中具有紧密内部连接的子图。在复杂网络中发现社区结构有助于揭示复杂网络的内在特性、了解复杂网络内部节点关系及演变趋势,为现实世界中的许多实际应用提供强有力支撑,因此社区发现逐渐成为复杂网络中的研究热点。然而,随着大数据技术的高速发展,复杂网络的规模呈指数倍数增加,全局社区发现算法在进行计算时需要获取网络的全部信息,成本较高。因此人们更加注重复杂网络中的局部拓扑结构,局部社区发现逐渐成为热点问题。基于模块度优化的局部社区发现算法利用网络的拓扑结构来发现包含给定节点的局部社区,同时能够量化社区质量的强度,因此被广泛应用。目前,基于模块度的局部社区发现算法在计算时高度依赖种子节点的质量,社区质量与稳定性较低。此外,现有的局部社区发现算法大多只挖掘种子节点所在的单个社区,而现实世界中的节点往往隶属于多个社区。本文针对当前局部社区发现算法中存在的不足提出了若干解决方案:（1）提出了一种基于局部模块度密度的局部社区发现算法。算法考虑局部社区的形成过程,利用基于Jaccard系数的社区紧密度将社区发现分为核心区域探测阶段和局部社区扩展阶段。在核心区域探测阶段,社区结构尚不明显,因此设计了一种新的模块度密度挖掘社区核心部分的节点,保证社区质量。在局部社区扩展阶段,首先,通过判定节点自身的影响力寻找社区边界部分的候选节点,然后,在候选节点中利用节点与社区的相似度挖掘边缘节点,在降低种子依赖问题的同时避免无关节点被添加进社区。在真实网络和人工网络上进行了实验,实验结果表明所提出的算法能够快速准确地发现社区结构,具有一定实用性。（2）提出了一种基于节点传递性和模块度密度的重叠局部社区发现算法。首先,以种子节点作为起点,通过节点传递性计算公式挖掘种子节点所在重叠社区中核心节点的最大直径范围,从而获取种子节点所在的重叠社区结构抽象。其次,采用非负矩阵分解法在子图中获取重叠社区数量。最后,利用基于边权的模块度密度探索重叠局部社区的完整结构。在真实网络和人工网络上与现有的重叠局部社区发现算法进行了实验对比,实验结果表明所提出的算法能够确地发现种子节点所在的多个重叠社区,具有较高的鲁棒性及实用性。