社区是数据图中符合一定结构及紧密程度要求的子图。社会学中的关系网络,生物学中的蛋白质网络等网络中都存在着联系紧密的社区。社区搜索的目标是从图中得到符合定义要求且包含查询顶点的社区,社区发现的目标是从图中获得所有符合定义要求的社区。实际应用中用户对社区结构有着多样化的需求,现有的基于子图连通性的社区定义主要是以完全连通子图作为社区的基础连通结构,通用性不足。针对以上问题,本文给出了相应的解决方案,主要贡献如下:首先,提出基于可指定形状—motif—连通性的MCC（Motif-Connective Community）社区定义,可以协助用户自由指定社区的基础连通结构。在此基础上,提出针对MCC社区的社区搜索算法MPCS算法。其基本思想是从查询点通过motif实例向外扩展搜索,将所有符合连通条件的motif实例都归入同一集合,集合中所有motif实例包含的顶点构成的导出子图即为所求社区。此外,给出针对MCC社区的社区发现算法MPCF算法,其基本思想是求得数据图上所有的motif实例,并根据阈值要求判断motif实例之间的连通性并分入不同的集合,每一个集合中motif实例包含的顶点构成的导出子图对应着一个社区。进一步,提出针对motif实例搜索过程及所属社区判断过程的剪枝优化技术来提升效率。其次,提出基于MP-index索引的社区搜索算法和社区发现算法。通过预先存储数据图中所有motif实例及相连关系,使得MP-index索引可以避免大量对motif实例的重复求解,可以快速求得各个阈值情况下的MCC社区,进而完成社区搜索或者社区发现问题的求解。最后,基于多个真实数据集进行实验,在不同阈值要求及不同motif要求的条件下,实验结果验证了MCC社区定义的有效性,两种剪枝优化技术和MP-index索引的高效性。