社团识别一直以来是复杂网络研究中的重要问题。在一个网络中,利用网络的连边信息找到内部连接紧密,外部连接稀疏的子图可以应用到现实生活中的各个领域。例如,找到蛋白质相互作用网络中的社团可以发现具有相似功能的蛋白质。随机块模型为研究者们提供了研究社团识别阈值和算法理论工具,具有重大的意义。然而,过去的算法大多要求社团个数K已知,一些自适应社团个数的算法会因分辨率限制而低估社团个数,或是未考虑社团内部的度相关性。本文采用度修正的随机块模型作为底层模型,在单社团假设下,网络可以看作是度修正的ER随机网络。本文提出了基于网络最短路长分布、聚集系数分布和中心性分布这三个拓扑特征的网络差异度量方法,并基于这一差异提出假设检验算法检验网络是否是单社团网络,创新地将网络差异利用到社团识别问题中。在算法上,本文同时利用网络的全局信息和局部信息,利用边介数和边聚集系数的线性组合提出二分算法。本文的主要贡献在两方面,一是提出一种新的度量由于存在社团结构而导致的网络差异度量值;二是利用网络差异度量和核密度估计等方法建立K未知的社团识别算法。在数值实验中,本文的算法不论在计算机模拟网络中还是实际社团网络中都能较好地估计网络中的社团个数。与一些经典算法相比,本文所提出的算法在社团标签识别上具有较高的准确性。