复杂网络普遍具有社区结构。在社区内部节点连接紧密,而在社区之间节点连接稀疏。社交网络中也存在着这种社区结构,例如在社交网站上人们按照好友关系结合为朋友圈。对社交网络进行社区发现是理解其网络结构,探索其网络功能的重要方法。划分社交网络得到的社区结构对研究社交网络上的信息传播,进行好友或商品推荐等有着重要意义。本文首先深入分析了社交网络模型的结构性质。然后对边的局部聚类系数和符号网络中的结构平衡理论做了进一步扩展。最后针对无符号网络和符号网络这两种社交网络模型分别提出了更加高效和稳定的社区发现算法。具体如下:1)分析了无符号网络中局部聚类系数和节点相似度计算的特点,提出了扩展局部聚类系数作为无符号网络中边的结构属性。该属性更能够体现出局部网络密度和网络结构的特点。将这种新的边结构测度与具有线性时间复杂度的标签传播算法相结合,提出了结合扩展局部聚类系数的标签传播算法。在多种真实的社交网络数据集上进行的实验表明:本算法能够有效地在无符号社交网络上进行社区发现并且在精确度和稳定性上都得到了提高。2)首先针对传统标签传播算法在网络存在负边时无法使用的问题,提出了一种新的符号网络标签传播算法。然后对符号网络的结构平衡理论进行了深入分析,提出了能够度量符号网络中边的结构平衡程度和局部网络密度的结构平衡度。将结构平衡度应用在符号网络上的标签传播过程中,提出了结合结构平衡度的符号网络标签传播算法。该算法促使标签在结构平衡、正边密度高的局部网络内传播,阻碍其在负边密度大、结构不平衡的局部网络上传播,使得它发现的社区更加符合平衡网络的定义。在符号网络数据集上的实验表明:结合了标签结构平衡度的符号网络标签传播算法的稳定性更强,且发现的社区结构更能体现网络平衡性,收敛速度也比没有考虑网络结构平衡性的符号网络标签传播算法快。