近年来,随着在线社交网络的流行及智能移动终端设备的普及,越来越多的人将在线社交作为一种重要的生活方式,在线社交网络的数据量也愈发庞大。社区探测作为社交网络研究的一个重要方向,在研究网络结构特点、分析用户关系、探索消息传播方式及掌握舆论动向方面有重要意义。由于单机的硬件配置升级存在边际效应,以及一些传统的社区探测算法在处理超大数据时的限制,使得分布式计算模型成为处理大型社交网络数据的一个优秀解决方案。现有的分布式网络社区探测算法,在实现大型网络数据的社区探测的同时,会产生社区质量下降的问题,还有一部分算法稳定性不强,对数据节点重新排序编号会大幅影响计算结果的质量。本文在研究现有的分布式社区探测算法的基础上,提出了一种基于标签传播分区的优化分布式Louvain算法-LPPDLA算法,并将算法应用于社区探测系统。本文的主要工作为以下几点:(1)分析分布式社区探测的需求和现有分布式社区探测算法,提出三点改进:1、使用VF算法简化图数据的节点分布,缩短运行时间以优化社区探测计算效率;2、将大小约束的标签传播算法应用于图分区,提高算法稳定性;3、以虚节点增强分区之间的关联关系,并制定节点跨分区移动规则。(2)将Louvain算法结合以上三个改进,在MapReduce分布式计算模型上提出LPPDLA算法。并使用LPPDLA算法对公共数据进行社区探测计算,以验证算法的有效性及评估计算获得的社区质量。(3)设计并实现一个社区探测系统,以可视化界面提供网络数据采集功能,图文件读取功能,可以使用LPPDLA算法对网络图数据进行分布式社区探测,并以展示探测结果。通过实验对比分析,本论文提出的LPPDLA算法可以在较短时间内准确地对大型图数据进行社区探测,并且可以有效降低分布式社区探测的质量衰减问题,使社区质量达到原始Louvain算法同等水平。