随着互联网、物联网技术的迅猛发展,复杂网络的社区检测已成为一个研究热点。社区检测在用户推荐、舆情监控、公共安全等方面具有非常重要的实用价值,如何评价检测算法划分社区的好坏对社区检测的研究和应用具有重要意义。本文针对社区划分评价方法和社区检测算法进行研究,主要包含以下三个方面:1)针对现有评价方法的不足,本文提出一种新的基于平均互信息(Average Mutual Information,简称AMI)的社区划分评价方法,该评价方法使用平均互信息值来度量社区划分所损失的信息量,进而衡量社区划分的好坏。最后在真实网络和人工网络上测试了AMI方法,实验结果表明AMI方法不仅能够避免模块度方法所存在的分辨率限制(Resolution Limit)问题,而且还具有较高的社区划分评判准确度。2)针对传统的非重叠社区检测算法存在的社区划分准确度低的问题,本文提出一种基于平均互信息的非重叠社区检测算法AMI-HC,该算法依据改进后的模块度增量进行社区合并,然后通过计算并选择最大平均互信息值来确定最终的社区划分结果。最后将AMI-HC算法与其他社区检测算法(例如GN、FN、EO、LPA、CE算法)在真实网络和人工网络上进行对比实验,实验结果表明AMI-HC算法具有较高的社区划分准确度。3)针对基于标签传播的重叠社区检测算法COPRA所存在的稳定性差、准确度低的问题,本文提出一种基于平均互信息的重叠社区检测算法AMI-COPRA,该算法在标签传播阶段,基于最大化平均互信息值的思想来指导节点的标签选择。最后将AMI-COPRA算法与其他社区检测算法(例如LFM、CFinder、SLPA、HMLPAi、COPRA、LPPB算法)在真实网络和人工网络上进行对比实验,实验结果表明AMI-COPRA算法具有较高的准确性和稳定性。总的来看,实验研究表明AMI方法在非重叠的和重叠的社区结构上是有效的。