复杂网络是复杂系统的一种重要表现形式,有助于研究复杂系统的拓扑结构。随着复杂网络应用于社交领域、生物领域、交通领域和信息领域等方向,而社区结构作为复杂网络中的重要特性之一,能够揭示网络中节点的功能和性质,在生活中得到广泛应用。例如,将社区结构技术应用于贩毒网络筛选出重要贩毒人员、搜索引擎响应速度问题而对网页进行关联性聚合、蛋白质网络预测蛋白质的功能等。近几年,社区发现相关算法相继被提出,但依然存在社区划分精度低,而且伴随网络规模的不断扩大,使得传统社区发现方法不能胜任。针对这些问题,本文根据不同规模的复杂网络,提出基于改进蜜蜂进化型遗传算法和基于深度编码器的社区发现算法。（1）针对小规模网络精度低的问题,本文提出基于改进蜜蜂进化型遗传算法的社区发现算法。根据遗传算法寻优的优势,首次将蜜蜂进化型遗传算法用于探究社区结构。首先,该算法将改进的字符型编码方式和相应的遗传算子相结合,实现自动获得最优社区数目,同时可以划分最优社区方案,并利用模块度函数作为适应度函数;然后,在初始化种群、交叉算子和变异算子中利用网络拓扑的局部信息,减小了搜索空间,增强寻优能力和提升收敛速度,并引入与迭代次数成反比的随机种群数量,提高算法的勘探能力、鲁棒性和精确度;最后,在人工合成网络和真实网络环境下进行仿真实验。研究结果表明:该算法与用于社区发现的其他经典算法和同类智能优化算法相比,具有精度高的优点。（2）针对大规模网络耗时高、精度低的问题,本文提出一种基于深度编码器算法和影响力扩散相似度指标。该算法利用多层自动编码器与森林编码器构成二级级联模型,将相似度矩阵进行降低维度和表征学习处理,转化成低维高阶特征矩阵,最后使用K-means得到准确的社区划分结果。级联结构在保持算法同等深度的情况下,大幅降低了模型时间复杂度。通过人工合成数据集和真实数据集的实验表明,该算法与同类算法相比精确度更高,而且聚类运行时间最少,具有精确度高和效率快的优势。在算法性能实验中,验证了算法的级联结构、自动编码器的深度以及影响力扩散指标的合理性以及有效性。