近年来,针对网络科学领域的研究不断拓展,人们逐渐发现许多自然界乃至人类社会中的复杂现象均可以复杂网络的形式展现,如社交网络、电网、引文网络、蛋白质分子交互网络和交通网络等等。通过对复杂网络进行建模,挖掘其中隐藏的社区关系,可以更好地认识其结构和功能。认识复杂网络为解决现实中如信息扩散、推荐系统和疾病控制等应用问题提供了极大的理论基础。社区结构作为复杂网络的重要拓扑性质,是认识复杂网络的重要途径,已经引起了国内外大量学者的关注,如何有效地进行社区检测是复杂网络中的一个研究热点。人们针对这一问题已经提出了一系列有效的社区检测算法,依据社团划分的标准不同,常用的有基于模块度优化的方法如贪婪算法、基于图分割的方法如谱平分法以及基于层次聚类的方法如Newman快速算法等,它们在实际应用中都取得了不错的效果。在现实生活中,大部分的复杂网络往往具有高维稀疏的特性,而且随着网络规模的增加,这一特性愈发显著。高维稀疏的复杂网络使得社区结构非常模糊,进而导致传统的社区检测算法无法有效地应用。非负矩阵分解（NMF）通过对稀疏矩阵分解得到具有可解释性的非负矩阵,然后通过对非负数据进行聚类分析,从而有效地检测出模糊的社区结构。因此,许多基于非负矩阵分解的社区检测算法已成功应用于高维稀疏的复杂网络中。然而,大多数现有基于非负矩阵分解的方法存在一些局限:1)仅使用网络的一阶拓扑结构,没有考虑节点的二阶相似性,导致许多有用的信息被忽略;2)忽略了网络的介观结构这一重要特性,而介观结构是体现社区结构特征的重要依据。因此,针对这些问题,本文通过重构网络结构来保留更多网络信息,并在非负矩阵分解的基础上,加入了微观和介观结构的约束,在社区内实现模块度和节点相似性的最大化。本文的主要贡献包括以下3点:（1）提出了一种基于模块度和NMF的社区检测新模型（MNMF＿cd）。将邻接矩阵和二阶相似度矩阵加权组合重构网络结构,并以重构后的网络为NMF算法的分解目标,既使得网络的社区检测更明显,也避免了稀疏矩阵导致的网络拓扑信息不足。在此基础上,加入微观上的图正则化约束和介观结构的社区结构约束,添加的图正则化约束项可以捕获节点的相似性,模块度约束可以将社区结构更好地保留,提高了社区划分结果的准确性。（2）提出了有效的迭代更新算法来求解模型的参数,并给出了算法的正确性和收敛性的理论证明,以及超参数的敏感性分析。（3）在九个真实数据集上对MNMF＿cd进行了评估,对比另外两种最新的基于NMF的算法和三种经典的社区检测算法,实验结果证明了MNMF＿cd算法的合理性和有效性。