社会网络随着人们生活向网络化的迁徙而逐渐形成,它承载了庞大且复杂的信息,也正逐渐引起相关领域的学者们的关注。大量研究发现社会网络中存在社团结构,而根据网络中的各项网络特征挖掘出这种社团结构的过程就是社团发现。许多基于社会网络其他技术的研究都是在社团发现的基础上才得以深入。经过学者们多年的研究,越来越多的社团发现方法开始涌现,但目前还没有一种方法得到广泛的公认。本文认真研究分析了传统社团发现方法,针对全局算法计算复杂及传统标签传播算法稳定性不高、不能发现重叠社团等问题,提出了基于局部重要节点且可发现重叠节点的改进标签算法。在算法中本文首先考量了节点的多个局部属性及它们之间的联系,并基于层次分析方法构建了网络节点的评估模型,将评估的结果用于缩减赋给节点标签的数量;其次本文提出了分阶段的标签传播,即先发现非重叠的“核心子社团”,再发现可重叠社团,针对同节点多标签的判定和标签传播过程中标签影响力无变化的问题提出了“吸引力”模型;最后实现了社团发现算法仿真实验平台,通过对比,验证本算法提高了算法划分效果和算法的稳定程度。本文的仿真实验主要是在Matlab上实现的,在实验平台上分别用合成网络和几种现实网络对局部重要节点的评估方法和改进的标签算法分别进行了实验验证。实验结果显示本文提出的算法有较好的社团发现质量并且能有效地挖掘出网络中的重叠社团。