社团结构是复杂网络中最普遍和最典型的拓扑特征之一,正确高效地发现网络社团结构是有效分析和利用这些网络的前提。现有社团发现算法计算复杂度很高,其性能很难满足超大规模复杂网络分析的需求。由于计算速度的限制,只适合对小规模的网络进行社团划分。近几年,图形处理器(Graphics Processing unit,GPU)高速发展,目前其高速的浮点运算能力、并行计算和可编程功能为通用计算提供了良好的计算平台。基于GPU的并行计算在医学图像、计算流体动力学、环境科学等领域得到了成功的应用。本文利用GPU并行计算架构,研究针对大规模复杂网络的社团发现算法以提高计算速度,主要完成的工作有：(1)针对GN算法中的介数计算问题,给出了一种基于GPU的介数并行计算算法,实现该算法并通过实验证明其计算速度有10-50倍的提高,为GN算法基于GPU的改进提供了并行基础。(2)介绍了基于模块度优化的Blondel算法,分析该算法中有数据并行性的部分,即计算每个节点和邻居节点所属社团的模块增量,由于和各邻居节点所属社团的计算具有不相关性,适合在GPU上计算,因此提出了在该算法基础上的基于GPU并行算法,实现该算法并通过实验验证其计算速度20%到50%的提高。(3)给出了基于模拟退火的社团发现算法的原理,实现了该算法。由于模拟退火算法具有天然的并行特性,本文利用GPU的细粒度并行特性,对基于模拟退火的社团发现算法做了基于GPU的并行改进,并通过实验验证改进后算法的计算速度和串行算法相比有2-5倍的提高。