随着科技的发展和信息化设备的普及,现实世界中实体间联系的多维度属性愈发明显,如社交网络中存在不同的社交平台,分别表示用户不同的社交偏好,具有不同的社交属性,准确表征用户在不同社交平台下多维度的社交行为,对于社交网络的分析研究具有重要意义。由于多层网络独特的分层结构,使其能准确刻画实体间的多维度联系,因而已经逐渐成为建模、分析和研究多关系复杂系统的重要工具。在网络科学中,识别多层网络潜在的社团信息对探索节点功能和揭示网络潜在结构具有重要意义,例如,通过结合用户在不同社交平台的信息,挖掘社交网络中潜在的社团结构,能有效识别用户间潜在的社交圈子,进而实现热点话题预测、虚假谣言传播控制等任务。本文围绕多层网络社团挖掘这一重要问题,主要针对以下两个内容展开研究。首先,基于共识先验信息指导多目标进化算法演化求解,实现不同网络环境下社团结构的准确识别。其次,提取并聚合多层网络信息作为对比,实现在无先验信息指导下社团结构的精准挖掘。（1）针对现有多层网络社团挖掘方法在结构复杂的网络中难以有效挖掘共识社团结构的问题,提出了一种基于共识先验信息及多目标进化的多层网络社团挖掘算法,利用共识先验信息从多个维度指导算法演化求解过程,实现多层网络社团结构的精准挖掘。首先,采用Node2vec与所提基于密度的聚合方式挖掘图级信息,并采用Jaccard相似度,利用节点的一阶邻居和二阶邻居刻画节点级信息。而后,基于图级信息构建先验信息层重构网络数据并生成高质量初始种群,使算法在具有高阶信息视角下,从宏观上指导算法运行。节点级信息用以在每轮优化过程中指导变异操作,进而引导种群进化方向。进一步地,基于对网络结构的深入分析,该方法通过快速聚类算法和模块度Q,量化每一层网络的社团结构清晰程度（信息有效性）,从而充分利用不同网络层的有效信息,降低冗余信息以及噪声信息的影响,以提高算法在不同网络中的鲁棒性。最后,基于不同规模的数据集,验证了所提算法的准确性和鲁棒性。（2）针对现有算法挖掘共识先验信息的额外开销,导致算法在大规模网络下扩展性较差问题,提出了一种基于增强网络对比约束的多层网络社团挖掘算法,利用增强网络与多层网络构成对比,实现了无先验信息指导下多层网络共识社团结构的精准挖掘。首先,构建网络生成模型和节点表示模型。基于网络生成模型,融合多层网络信息生成可优化增强网络。然后,利用节点表示模型得到增强网络和每一层网络的低维表示,并以增强网络的低维表示为对比,同时优化网络生成模型和节点表示模型,在提高可优化增强网络聚合信息能力的同时,提升节点表示模型的鲁棒性。实验表明,所提算法在不同数据集上均能获取优异表现。