社区发现作为复杂网络分析中最重要的技术之一,在控制复杂网络、理解网络功能以及预测网络中个体行为等方面发挥着非常重要的作用。随着网络规模不断扩大,一些传统的社区发现算法由于时间复杂度高以及网络全局信息难以获得等原因难以适用于大规模复杂网络。因此,基于网络局部信息的局部社区发现算法被提出,局部社区发现算法通过网络局部信息进行社区发现,与其它社区发现算法相比更适用于大规模复杂网络。本文针对社区发现算法中局部社区发现算法相关问题进行研究,通过分析发现目前大多数局部社区发现算法存在以下问题:局部社区发现算法中种子的初始位置对算法最终社区划分结果有重要影响;局部社区发现算法在社区扩张过程中需要对网络中的节点进行反复判断,社区扩张速度较慢,难以适用于大规模网络。论文的主要工作内容如下:1.针对种子的初始位置对算法结果有重要影响的问题,本文提出了基于节点中心性的局部社区发现算法(NCLCD)。该算法选取局部中心性高的节点作为社区扩张的种子节点加入集合,并在社区扩张过程中不断优化种子节点集合,从而保证种子节点的中心性。多种网络下的实验结果表明,该算法对于复杂网络的社区发现具有一定优势。2.为了解决局部社区发现算法在社区扩张过程中速度较慢的问题,本文提出了基于图遍历的局部社区发现算法(GTLCD)。该算法以网络中度数最低的节点为起点,通过影响力函数与阈值对网络进行初步的社区划分,再通过适应度函数确定边界节点的所属社区得到最终社区划分。通过实验证明,该算法不仅能够有效地挖掘网络中的社区结构而且具有较快的速度。