随着计算机网络技术的发展,人们正经历着一个生活方式发生变化的年代。伴随着Web2.0走向前台,社交网络蓬勃发展。社交网络具有一个重要的结构特点—“社区结构”,即网络是由群或组构成的。组内的节点连接紧密,而组间的节点连接稀疏。网络中同一个社区内的节点可能具有共同的性质,并且(或者)在网络内扮演类似的角色。社区结构的发现不仅有助于理解网络的功能,识别网络内部的连接层次。而且,它对于理解社交网络上复杂的用户行为及群体行为有着极其重要的基础性作用。基于社交网络的特征,本文的主要工作如下。针对社交网络中的节点拥有自身属性的特点,本文基于节点的属性信息方面对传统的社区发现进行了改进,提出了一种结合社区属性熵的CAEM算法,提高了单纯依靠网络拓扑结构发现的社区的质量,算法无需特殊参数,复杂度较低,在真实数据集上的实验分析证明其有效性。针对原始标签传播算法鲁棒性不强的缺点,文本对基于结构的标签影响力传播的社区发现方法进行了改进,提出了NLPA算法。算法将待更新节点自身情况和网络节点的重要性计入邻居最大频率标签统计中,并且通过阈值控制防止超大规模社区的过早形成,在时间开销增加不大的情况下,提高了标签传播算法的鲁棒性。