现实生活中很多复杂系统都可以用网络来刻画，比如通信网络，社交网络等均属于复杂网络，遵循一种“物以类聚，人以群分”的规律，即存在社区结构—社区内部成员联系紧密，社区之间的联系疏松。对复杂网络进行社区划分，有着重要的理论与现实意义。比如在商业或者服务业方面，将社交网络划分出几类群体，可以有针对地进行相应的推荐活动，提供个性化的服务等。为此，本文致力于社交网络社区划分算法的研究。以Wu-Huberman算法为代表的基于电阻网络进行社区划分的方法，可以在线性时间内划分社区。然其存在一定的缺陷，制约了该算法的适用范围。故本文对此进行了以下几方面的改进和创新性研究。首先，针对需事先知道社区个数这一缺陷，提出了一种基于候选中心点的社区预测方法，可根据网络的拓扑结构大致预测出社区个数，而无需人为指定。其次，针对只能发现大小相近社区的问题，提出了基于核心点电压为界在电压谱上寻找最大电压差的方法，充分利用社区核心点的中心地位寻找电压差最大处，可以划分出大小较悬殊的社区。第三，针对Wu-Huberman算法中的关键问题—选极，进行了深入研究发现新的问题，提出了一种抽象网络模型证明了该问题确实存在，并对此提出一种以社区边缘点作极的解决方法，使得社区划分结果更加准确。最后，通过对重叠社区发现算法的研究，与非重叠算法进行对比发现，重叠社区的发现关键在于找到社区的重叠节点，结合Wu-Huberman改进算法中节点在电压谱上的分布规律，可以发现社区之间的重叠节点。通过真实网络数据验证了本文提出算法的合理性与有效性。