社区结构作为复杂网络最重要的特征之一,对于理解和解释网络的组成结构和系统功能具有非常重要的作用。社区结构划分要解决的关键问题是如何有效地利用网络信息快速准确地挖掘网络的社区结构。本文主要利用网络的生成模型和矩阵分解方法,对复杂网络潜在隐含的信息和网络划分加速问题进行研究,并提出相应的算法。具体工作如下:(1)针对传统的节点社区划分算法主要考虑节点之间的连接权重并同等地看待各个节点在网络中的重要性,以及局部相似度高的节点往往隶属于同一社区等问题,提出了一个基于全局和局部视角的社区划分方法,该方法挖掘网络的节点重要性和局部相似度约束等潜在信息,更好地发现网络社区结构。对模型的参数进行学习,得到模型的更新迭代规则,将提出的基于全局和局部视角的社区划分模型应用到人工基准测试集以及真实网络上,验证了本文算法的有效性。(2)针对提出的基于全局和局部视角的节点社区划分算法需要预先指定网络中社区的数目以及网络的社区结构发现算法中存在大量的迭代过程的问题,提出了一种基于初始化策略的快速节点社区发现算法,该算法选择一个较大的初始社区数目(或所有节点个数),在迭代过程中结合贝叶斯方法不断获得较小的社区数目,最终挖掘出满足要求的社区数目,同时选择两个特定的因子矩阵作为初始,可以避免若干随机初始导致的多次迭代时间较长以及收敛结果不唯一问题。(3)针对当前的链接社区划分算法考虑的多为邻接矩阵中包含的网络拓扑结构,忽略了网络中的潜在的非邻接节点间的链接以及不注重节点本身的自相似度的问题,提出了基于多步相似度的链接社区划分算法挖掘网络信息进行社区划分。该方法利用图随机游走考虑节点之间的潜在可靠的边信息。同时,模型中引入一个惩罚函数项,降低节点的自相似度信息,更多地考虑节点之间的相似度信息,从而更加准确地进行链接社区结构划分。该方法不仅可以检测网络中的链接社区结构,同时也可以用于节点社区的挖掘。最后在人工基准测试数据和真实网络上验证了基于多步相似度的链接社区划分方法的有效性。本文的研究结果是对当前社区划分方法内容的有效补充,为相关领域的研究提供参考,对复杂网络分析具有重要的理论和实践意义。