现实世界的很多复杂系统（如社会网络、蛋白质交互网络、因特网等）都是由相互联系的实体组成的，自然地以网络的形式存在或者可以用网络来表示。社区结构刻画了网络中节点间关系的局部聚集特性，一般由性质相似或功能相近的网络节点组成。重叠社区发现问题研究已经成为一个研究热点。深入分析与研究网络中的重叠社区结构，对于理解复杂系统的组成规律、预测系统的组成节点及系统本身的行为有着重要意义。本文从网络社区结构分析、重叠社区发现方法研究和原型系统验证等方面，研究了大规模网络的重叠社区发现方法和技术。本文主要工作如下：　　1.提出了一种采用邻居投票机制的重叠社区发现方法。该方法受到支持向量机分类方法思想的启发，假设不同社区之间的重叠部分主要由社区的边界节点组成。该方法将网络重叠社区发现分为两个阶段：第一阶段对网络进行非重叠社区发现；第二阶段对社区边界节点的社区隶属情况进行判别。为此设计了基于局部信息的邻居投票机制。该方法适用于大规模复杂网络，且无需预知网络中的社区个数等先验知识。采用此方法设计并实现了LM-NV（Louvain method with neighbor voting）重叠社区发现算法，该算法在第一阶段采用了LM非重叠社区发现算法。LM-NV算法的时间复杂度在最坏的情况下为O(m+nk)，同网络中边的规模近似呈线性关系，具有良好的时间效率；在模拟网络数据和真实网络数据上的实验表明，该算法的社区发现准确度优于LFM,COPRA,LINK算法。　　2.设计并实现了一种半监督的局部扩展式重叠社区发现算法SLEM（semi-supervised local expansion method）。该算法借鉴带约束的半监督聚类的思想，利用部分标注信息指导社区发现的过程，避免了非监督重叠社区发现算法的盲目性问题；采用基于网络节点度中心性的种子选取策略，能够得到局部性好、结构稳定的社区发现结果，解决了结果的抖动性问题；对社区发现结果的后处理，在保证高社区覆盖率的前提下尽量减少冗余的社区。在模拟网络数据和真实网络数据上的实验表明，对于稀疏程度不同的网络，综合考虑重叠模块度、社区连接密度和网络覆盖率三种指标，SLEM算法的社区发现结果优于NLEM,LFM,GCE算法的结果。　　3.设计并实现了一个微博网络重叠社区发现原型系统。该系统通过分析节点信息和节点间连接关系，构建微博用户关系网络；采用LM-NV算法对网络进行重叠社区划分；将划分结果以可视化的方式进行交互展示，便于研究者直观地分析和研究网络社区结构。利用此系统构建了由新浪微博上机器学习、数据挖掘等领域用户形成的1489个节点、108064条边的用户关系网络，划分为5个重叠社区，并分析了各社区的属性和不同社区间的相关性。该结果验证了LM-NV算法的有效性，对关键人物挖掘和信息传播分析提供了支撑。