随着信息技术的快速发展,人们渐渐发现层出不穷的网络具有相同的特性,例如蛋白质网络、电力网络、社交网络、神经网络,并把这些网络统称为复杂网络。这些网络和人类的生活密切相关,对它们进行研究能够改善人类的生活,促进人类的发展。因此,研究复杂网络具有重要的意义。社区结构是理解复杂网络的一种重要方式。随着对复杂网络的社区结构的研究,出现了很多种类的社区发现算法。模块度最大化算法是这些算法中的一个重要的组成部分,相对其它算法,它能够对社区发现结果的优劣进行量化,从而更好地评价算法结果。但是由于模块度存在分辨率限制问题,使得算法在计算过程中会将某些较小的社区合并,导致算法不准确。为了解决这个问题,本文提出了一种新的算法计算网络中结点的亲密度,并将计算结果导入到模块度局部最优的社区发现算法中,提高了算法的精度。为了计算节点之间的亲密度,本文引入了k路径边中心度,并利用其对网络进行预处理。k路径边中心度能够有效衡量网络中每条边的中心度,反应网络的全局信息。本文首先对k值进行优化,缩短计算时间,并利用边中心度和节点度计算节点之间的亲密度。亲密度将网络的全局信息与局部信息相结合,更好地反映了节点之间的关系。然后,将亲密度矩阵与LM算法结合进行社区发现,得到计算结果。最后进行算法实现,在人工网络和真实网络上进行实验,研究了不同k值下,算法的计算时间以及计算结果,为网络中k值的选取提供参考,并与其它的模块度最大化算法进行对比分析,实验数据表明本文算法的模块度有了一定的提高,并且能够发现更多的社区,有效解决了分辨率限制问题。