复杂网络作为数据挖掘领域中一个重要的方向,近年来受到国内外学者的广泛关注。在过去的几十年里,针对其中的社区检测、链路预测、动力学等问题已经有了大量的研究。本文着重于研究社区检测算法,对其中一些典型算法进行了分析,针对Dense Shrink算法进行改进,提出了Improved Dense Shrink算法;将用于一般网络的模型扩展到符号网络,提出了一种基于网络动力学的社区检测算法;并且针对符号网络的特点,提出了一种基于相似度的社区检测方法。具体如下:(1)本文通过对多种相似度进行分析,提出了简化卡兹相似度Skatz(Simplified Katz),使得在不影响相似度精确性的前提下,缩短计算所需的时间。由于在Dense Shrink算法中最耗时的步骤合并微社区与合并密度对相比并不总具有优势,且使用信息量更全的相似度可以减少微社区出现的概率。因此,本文通过使用SKatz相似度和用合并密度对替代合并微社区步骤提出了Improved Dense Shrink算法。(2)本文通过对一般网络所用模型进行分析,引入负耦合系数对网络模型进行扩展以适应符号网络的特点。其中,正耦合系数使具有正连接节点的相位趋于靠近;负耦合系数使具有负连接节点的相位趋于远离。同时对同步方程中的系数(正、负耦合系数)的取值以及其对同步结果的影响进行了分析。针对符号网络,提出了一种基于网络动力学的社区检测算法。(3)本文通过对符号网络的边进行分析可知,其具有符号属性和连接属性。符号属性对应边权值的正负,表示节点间积极性或消极性的关系;连接属性对应边权值为零或非零,表示节点间是否存在关系。根据这两种属性,形成了符合符号网络特点的相似性指标,结合模块度优化思想提出了一种基于相似度的社区检测算法。