社区发现算法是研究复杂网络中社区结构的主要方法。随着网络规模爆发式的增长,传统单机、串行的社区发现算法已不适用于处理当前大规模的网络。Hadoop作为新兴的一种大数据处理技术,因其高扩展、高可靠、编程模型简单受到许多开发者的青睐。针对当前串行社区发现算法处理网络规模有限问题,本文结合Hadoop框架在大数据处理方面的优势提出两种串行社区发现算法并行化改造方案。针对Fast-Newman算法计算节点模块度复杂度比较高问题,本文提出基于Hadoop框架调度的Fast-Newman并行算法。并行化Fast-Newman算法存在的主要难点为在map函数中各节点无法获取其邻居节点的信息,故还需借助Web服务提供全局图信息。改进后的Fast-Newman算法将在map函数中并行的计算每个节点与其邻居节点合并后的模块度增量,在reduce函数中汇总找出模块度增量最大的两个节点并将该两节点合并,此为一次合并过程。合并后的结果重新作为map函数的输入,迭代执行map、reduce过程直到所有节点合并成一个社区。采用Ego-Facebook作为数据集,在仿真环境下实验结果表明并行化后的Fast-Newman算法具有较高的加速比。针对处理大规模网络难问题,本文提出基于Hadoop的Fast-Unfolding并行化算法PFU(Parallel-Fast-Unfolding)。该算法主要采用“分而治之”的思想,首先将大规模网络分区并各自合并,然后根据各分区合并结果重构网络,最后迭代合并重构网络直到社区结构不再发生变化。该并行化方案存在两个难点:一是如何保证分区后边连接信息不会丢失;二是分区完成后如何重构网络。针对上述两个难点,本文通过改进数据存储方式以及设计重构方案有效地解决了该问题。在真实网络和生成网络两种数据集上实验结果表明,PFU算法在保证准确率的基础上明显的提高了算法运行的效率,具有较好的扩展性。最后,根据map、reduce阶段输出的中间文件,用gephi软件对结果进行可视化提高了PFU算法的应用价值。