社区发现算法研究源于对社交网络、生物蛋白质网络等复杂网络结构的分析。近些年,随着信息技术的发展以及社会媒体技术的普及,社会网络呈现出了很多新特性,比如：网络的大规模性、动态变化特性和富含内容信息等特性。考虑全局网络的社区发现和只涉及复杂网络拓扑结构或内容信息的社区发现算法,多半已经不能适应这些新特性。针对当前复杂网络的新特性,本文将以局部社区发现技术作为研究重点,并且在社区发现过程中,将网络的内容信息与链接信息进行融合,具体内容如下。首先,在探寻复杂网络核心节点过程中,提出一种新的基于半局部中心性和距离的核心节点探索方法。半局部中心性,确保核心节点为网络中的重要节点。与全局中心性不同,在计算节点的半局部中心性时,涉及了节点的四层邻居,使节点的中心性表达更加精确。局部社区发现算法,可以扩展到发现网络的全局社区结构。而核心节点的距离,能够使网络中的核心节点合理均匀的分布整个网络,从而得到高质量的全局网络社区划分。其次,在局部社区的扩散过程中,将复杂网络的内容和链接信息相融合。近年来,研究者提出了多种融合内容和链接信息的复杂网络社区结构发现算法,多是基于概率模型的方法。本文有别于当前研究热点,将链接相似性和内容相似性整合在同一目标函数中,通过迭代进行局部社区的扩散。最后,将上述两个步骤进行融合,并且在真实数据集和基准数据集上对本文算法进行验证。实验结果表明,通过本文算法可以得到更高质量的社区,并且在时间效率上效果明显。