自然界中存在的很多系统可以用网络的形式表示,如人际关系网、蛋白质作用网络、交通网络等。这些网络具有很高的复杂性,因此被称为“复杂网络”。社区结构是复杂网络研究的几个重要分支之一,越来越受到人们的重视。现有的社区发现方法常存在算法复杂度高、需要事先指定社区的数目、需要预先制定评价指标等缺陷,有的甚至需要给出大致的社区大小,限制了算法的实际应用效率。LPA(Label Propagation Algorithm)是一种重要的社区发现算法,它具有思想简单、复杂度低、不需要指定社区数目等优点,但算法精确度比较低。针对LPA算法,本文设计了一种改进的基于节点局部相似性的半监督算法,本文的主要创新点有：一,LPA算法在节点的label传播过程中,由于平等的对待了节点的每一个邻居节点,当邻居节点中出现多个label数目相同时,LPA会随机的选择一个label作为候选label,此方法容易造成不同社区之间的label相互传播,从而造成社区划分的准确率比较低。本文通过计算相邻节点间的相似度,为网络的每条边加入权值,使得不同社区之间的label传播被阻断,提高了算法的精确率。二,现有的社区发现算法都属于无监督学习的范畴,无法处理事先给定的半监督知识。本文中,将LPA算法加入了对半监督知识的处理过程,通过增加must-link节点对之间的边,删除cannot-link节点对最短路径中权值较小的边,使得网络的社区结构趋于明显,从而提高了算法的精确度。三,将以上两种方法相结合,通过在不同规模的人工网络和多种真实网络中进行试验并与多种方法相比较,验证了该算法的有效性。