随着复杂网络的不断深入发展,对网络结构的探知要求也越来越严格,人们由此提出了社团检测算法并不断地进行深化改进。在现实网络中,节点与边的分布并不均匀,总是有着稠密或稀疏的地方,稠密的局部网络以社团的结构出现,而稀疏的连边则是整个网络中社团与社团的边界。链路预测理论对网络的研究是通过网络的内部结构、节点与连边等信息,来预测网络中未连接的节点之间产生连接的可能性。节点间的相似性是度量两个节点之间关系的重要指标,两个节点之间相似性越大,说明两个节点之间越可能有边相连。本文基于节点相似性的链路预测理论,提出了一类针对非重叠网络的社团检测算法。该类算法对网络丢失信息通过链路预测进行补全,对网络冗余信息通过删除链路进行分裂,由此自动获取社团数目以及核心节点集,并针对孤立节点进行标签传播处理,最终实现网络聚类。本文首先提出了两种基于节点相似性的社团检测算法,分别是基于共同邻居数指标(CN指标)的ADL-CN算法和基于共同邻居的度的倒数和指标(RA指标)的ADL-RA算法,并对算法进行了详细的阐述。然后,根据上述两个算法存在的缺陷和不足,提出了基于两种指标(CN指标和RA指标)相结合的ADL-CNRA算法。最后,将本文所提出的三个算法在数据集上与两个经典算法进行实验对比,验证了本文所提算法有较好的社团划分效果,并且优于对比算法。