随着数据的大规模增长,对于社团检测算法的研究日益成为复杂网络学科中的一个热点和挑战。在网络中检测社团可以分析网络结构,了解网络结构中隐藏的关键信息。在过去的十几年中,静态网络的社团检测算法得到了长足的发展,但是,现实生活中网络都是动态网络,网络随着时间不断发生缓慢的变化。对动态网络进行社团检测、分析,能够帮助人们认识网络的结构、分析网络的发展趋势,对于现实生活意义非凡。然而传统的静态社团检测算法会忽视网络之间的时间演化关系,得到的社团难以解释和进一步分析;进化聚类算法需要平衡前一时刻和当前时刻网络上的可能存在矛盾的指标,导致算法效率不高;一些增量聚类算法在更新社团时存在一定的损失。如何高效且准确的在动态网络中检测社团,成为了动态网络分析中的一个难题。大多数已有的动态社团检测算法,在运行时间和算法准确度上不能同时满足需求。本文提出了一种基于weak-clique和增量聚类的动态社团检测算法DWCI,首先改进了W-CPM静态社团检测算法的weak-clique识别方法和weak-clique的合并方法,提高W-CPM算法准确率;然后基于增量聚类算法,定义了weak-clique的核和受扰动节点集合,并且通过验证当前时刻weak-clique的核以及计算增量节点和weak-clique的核之间的关系,确定受扰动节点集合;最后对受扰动节点集合重新计算社团。通过时间复杂度分析发现,DWCI算法具有增量聚类的高效性。本文在合成数据和真实网络上进行实验,将DWCI算法与经典的进化聚类算法Facetnet、增量聚类算法IC、d Louvain-ΔS,从准确性与运行时间两方面进行对比。在DBLP网络中,本文算法运行时间低于其他算法,比d Louvain-ΔS算法缩短6倍左右,比IC算法缩短30%左右,Facetnet算法由于运行时间过长不具有可比较性;社团模块度指标显著高于IC算法,和d Louvain-ΔS算法处于相同水平。在CELLPHONE网络中,本文算法运行时间比d Louvain-ΔS算法缩短1-2倍,比Facetnet算法缩短100倍;社团模块度指标略低于Facetnet算法,但是高于IC算法和ΔS＿louvain算法。在1万节点、5万节点和10万节的合成网络中,本文算法运行时间和IC算法相当,比d Louvain-ΔS算法缩短3-4倍,此时Facetnet算法运行时间过长不具有可比较性。通过实验验证发现,DWCI算法时间效率明显高于Facetnet算法和d Louvain-ΔS算法,和IC算法时间效率相当,具有增量聚类的高效性;在准确性方面,DWCI算法明显高于IC算法,大部分情况下高于d Louvain-ΔS。总而言之,本文提出的算法DWCI是一个时间效率高,准确性也相对较好的动态社团检测算法。