随着信息技术的发展,在线社交网络的规模已经越来越庞大,在许多行业中都有虚拟社区的存在,而这些虚拟社区结构会随着时间的变化发生改变,例如社区增大、社区缩小、社区分裂、社区合并等等,复杂网络社区研究中最重要的问题之一是社区演化,即复杂网络在随着时间变化中挖掘出潜在的社区演化事件。许多学者已经从不同的角度挖掘出了这些潜在社区演化事件,例如:研究复杂网络中社区中节点个数的变化来衡量网络中社区潜在的变化类型,研究复杂网络中社区核心结构的变化来确定网络中社区发生了什么样的变化类型等等。然而大多数方法是在非重叠社区结构的基础上进一步提出了一种方法去检测社区演化事件,在真实的复杂网络社区结构中社区之间普遍存在重叠现象,但是在社区演化分析的过程中极少数考虑社区重叠域的节点与其所属不同社区之间的关系,进而在检测社区演化事件的过程中造成信息的丢失并造成社区演化事件检测结果的不准确。同时大多数学者在进行社区演化事件检测时没有对社区演化事件进行细分,即对社区演化事件的定义不完整。因此,本文借助于三支决策理论提出了一种重叠社区演化检测方法。为了对复杂网络中社区成员更合理的划分,本文将利用三支决策社区发现方法对复杂网络进行社区发现,在该方法对社区的概念赋予了新的描述,在方法中将一个复杂网络中的社区分为三部分:正域、边界域和负域。显而易见,当对象属于社区的正域,那么对象确定属于该社区;当对象属于社区的边界域,那么对象不确定是否属于该社区;当对象属于社区的负域,那么对象确定不属于该社区。为了能够确定出影响社区演化的因素,我们首先利用基于三支决策的社区发现算法将复杂网络中的社区按照不同时间快照提取出来并对其进行了实验结果的详细分析,其次我们根据分析得出的影响因素提出了社区活跃度和社区影响力的定义,最后对社区相似度公式进行了改进。为了发现社区随着时间的变化存在的演化事件,本文提出了一种重叠社区演化检测算法。首先我们根据社区活跃度和社区影响力的定义结合社区相似度给出了社区演化过程中七种演化事件的定义,这七种演化事件分别为出生、消亡、增大、缩小、分裂、合并、不变,最后,根据七种演化事件的定义提出了一种重叠社区演化检测算法。本文利用真实数据集进行实验来验证算法的有效性。首先,我们将DBLP数据集按照时间快照划分,并利用基于三支决策社区发现方法将不同时间快照中的社区挖掘出来。其次,我们利用社区相似度计算出不同时间快照社区间的匹配程度并结合社区活跃度以及社区影响力进一步确定社区发生演化事件。在与其他文章中的实验结果相比,本文方法能够很好的挖掘出社区演化事件并且丰富了社区演化事件挖掘方法。