在复杂网络中,通常使用节点来表示实体,用连边来表示实体之间的关系。网络是对数据进行表示和分析的常用结构。网络分析对于理解复杂系统的内部机制具有重要意义。经过多年研究,学者们发现,社区结构是复杂网络普遍具有的特性之一,即大部分的网络都具有社区结构。社区检测意在从复杂的网络中寻找可能相关的联系,挖掘网络中的社区结构,以帮助分析网络。作为网络分析的重要内容,社区检测吸引了各行业研究人员的关注。但随着网络结构数据的日渐复杂,传统的社区检测方法已经出现诸多包括性能和效率上的局限性,改进已有的社区检测算法和发现新形式的社区检测算法变得越来越重要。随着深度学习的发展,神经网络也被应用于网络。因此,诞生了一个新的研究方向——图神经网络（Graph Neural Network,GNN）。图神经网络是卷积神经网络在图结构数据上的拓展,弥补了卷积神经网络无法作用于图结构数据的不足,使得在图结构数据上也可以使用卷积。社区检测是图神经网络的一个重要应用。本文从重叠社区检测以及非重叠社区检测两个方面对图神经网络社区检测问题进行研究,得出图神经网络应用于社区检测的一个基本框架:根据任务设计GNN模型对节点特征进行提取,然后对提取后的节点特征做分类或聚类,将节点进行归类从而得到网络的社区划分。目前主要的GNN定义可分为空域和谱域两种。谱域图卷积通过定义图卷积算子从而定义图神经网络模型,其核心是图卷积的定义。Bern Net模型使用K阶伯恩斯坦多项式近似滤波器,设计了一种可以学习或设计任意滤波器的滤波器。但由于对K的二次依赖,它比其他方法慢。基于此,本文采用伯恩斯坦多项式的一阶近似来定义滤波器,对其进行改进,设计并实现了一种基于Bern Net的有监督社区检测算法。算法以GNN社区检测步骤为基础,采用一阶伯恩斯坦多项式近似定义滤波器,将数据的原始标签作为社区划分的依据,通过定义模型预测的标签与原始数据标签之间的损失函数,反向传播习得损失函数最小的通过节点特征矩阵预测节点标签的概率模型,并在数据集上进行测试,对预测到的节点标签概率进行归类,从而得到最终的社区划分。实验结果表明,算法在真实数据集上能取得较好的社区检测效果并且在获得更优结果的同时减小了算法的复杂度。针对图神经网络如何应用于社区检测任务中的问题进行研究,本文完成的主要工作总结如下:首先,介绍了深度学习在社区检测问题上的应用,阐述图神经网络社区检测的基本框架,为本文的研究提供思路。其次,选择合适的GNN定义,构造GNN社区检测模型。Bern Net是一种基于K阶伯恩斯坦多项式近似定义滤波器的图卷积神经网络,它可以近似或设计任意的滤波器,但由于对K的依赖,它的计算速度较慢。为加快计算速度,减小计算成本,本文采取一阶伯恩斯坦多项式近似定义滤波器对此进行改进并且提出一种基于Bern Net的有监督社区检测算法。最后,将算法应用于真实数据集上进行社区检测,获得相应的社区划分结果,并且采用标准化互信息（NMI）,对社区划分结果进行评价,对比多种不同的社区检测算法,使实验数据更具有说服力。实验结果表明,基于Bern Net的社区检测算法能够获得较好的社区划分结果并且极大地提升了算法的运算速度。