近年来随着各学科研究之间的交叉，复杂网络受到了越来越多的科研工作者的关注。现实生活中的大多数复杂系统都可以简单地抽象成一个复杂网络，进而转换成一个图的形式来进行研究。然而复杂网络的一个重要特征就是具有社区结构。网络的社区结构是指网络中节点的分类集合，其主要的特征之一是同一集合内的节点之间连接比较紧密，不同集合之间的连接比较稀疏。了解网络的社区结构可以帮助我们进一步分析网络的拓扑结构，理解并更好地解释网络的功能，从而能够更容易发现网络中一些隐而未现的规律以及预测网络的行为。正因为网络的社区结构具有如此重要的价值，而现实社会中的大多数网络的社区结构并不是可以直接获取的，所以说如何在现有的网络数据的基础上快速高效的发现网络的社区结构是一项十分重要的工作。发现网络的社区结构通俗的讲就是对网络中的节点进行分组，而分组遗传算法是专门针对分组类问题提出的一种进化算法。基于复杂网络社区内部连接比较紧密，社区之间连接比较稀疏的特征，本文提出了一种基于社区密度下限的分组遗传算法，进而这种方法应用到复杂网络的社区检测上，并将这种方法获得的社区结构信息用于链路预测上，达到预测网络行为的实际应用价值。本文通过大量的仿真实验，验证了这种方法在处理这两类问题上的有效性。本文的主要工作如下：1.在分组遗传算法的基础上，结合复杂网络的社区结构特点，提出一种基于社区密度下限的分组遗传算法的社区检测方法。由于真实网络中的所含节点个数很少的微小社区十分少见，考虑微小社区的存在会降低整体划分结果，所以在分组的过程中对存在于微小社区内的节点进行重新分配，在一定程度上减少了微小社区的存在。文章中用不同的目标函数(HHI,Q, Dλ)作为遗传过程中的目标函数，分别试验了这种方法的社区划分效果，并将这种方法与DenShrink方法，BGLL方法相比较，证明了本文中所提出的方法有效性。2.将社区结构的信息应用到复杂网络的链路预测中，并提出了基于社区结构信息的链路预测方法，引入了一种新的计算两个节点之间相似性的函数。用Dλ作为度量函数，在不同的分辨率参数下，运用基于社区密度下限的分组遗传算法的社区检测方法对复杂网络进行社区划分，综合不同分辨率下的社区划分结果，计算本文中所提出的新的相似性函数的值，并根据这个值来预测可能存在的连边。通过在现实网络和benchmark网络上的实验，证明了该方法的有效性。3.分析基于社区结构信息的链路预测方法的缺陷，将共同邻居的方法和基于社区结构信息的方法相结合，提出了一种混合信息的链路预测方法，并通过在现实社会网络上的实验验证了这种方法的有效性。本文工作得到了国家自然科学基金：基于图优化算法的动态频谱分配价格博弈动力学（J54510020162）的资助。