复杂网络是各类复杂系统的抽象形式,具有无标度性、小世界性、聚集性和度的幂律分布等性质。复杂网络中的社区结构是网络中内部连接较多,与外部连接较少的节点集合。复杂网络的社区检测就是根据其节点连接信息和网络拓扑结构将网络划分成若干子网络的过程,对复杂网络中社区结构的检测有助于理解网络演变过程并发掘网络中潜在的信息。针对复杂网络社区检测的相关研究越来越多,进化算法,标签传播算法,社区融合策略等方法被不断提出并改进。然而以上算法目前还不够完善,存在着准确性低,检测随机,检测速度慢,易陷入局部最优,模块度分辨率限制等问题。并且在网络信息量飞快增长的今天,复杂网络社区检测也逐渐趋向大数据化,针对大规模网络的社区检测方法的研究变得尤为重要。本文设计了三种方法,对以上普遍存在的检测问题进行改进,主要工作如下:1)提出了一种基于循环查找核节点的标签传播算法检测中小规模网络中的社区结构。首先循环查找核节点并根据相似度对网络进行预划分,降低小社区被吞并的可能,增加标签传播过程中传播方向的多样性;然后执行标签传播算法,对预划分后的网络进一步划分,降低标签传播算法本身的随机性;再根据节点与社区隶属度对划分结果进行修正,更准确的对网络进行划分。实验表明本算法在中小规模上的检测结果优于传统标签传播算法。2)提出了一种基于节点权值的标签传播策略对大规模现实网络进行社区检测。首先,根据节点度查找网络中影响力较大的核节点集合,核节点由于与其他节点连接较多,因此其传递和接受的信息量较大;然后,根据节点与核节点集合中成员的相似度及节点度为网络中节点赋权值,这样在标签传播过程中,影响力较大的节点标签将被优先选择,有效提高标签传播准确度;最后提出一个节点与社区的紧密度函数,并以此为目标函数对网络执行标签传播策略。这一函数将节点与社区连接数和节点隶属邻居社区的程度结合,充分利用网络中的节点及边的信息。实验表明本算法在大规模网络上可以获得很好的检测结果。3)提出了一种基于改进模块密度增量的大规模网络社区融合方法。首先,查找网络中局部核节点即潜在社区中心,将与核节点相似度值高于给定阈值的邻居节点划分到核节点所在社区,将初步形成的社区按外部连接数降序排序;提出一种基于模块密度的改进模块密度增量作为目标函数,在社区合并过程中,优先考虑外部连接少的邻居社区进行合并,避免错误融合;在局部社区融合过程中加入全局判断,同时计算并比较每组可能融合的两个社区与各自邻居社区融合得到的改进模块密度增量值,判断是否进行社区融合,进一步降低社区融合过程中出现错误融合的概率。本算法解决了大多数社区融合算法基于模块度函数而导致的分辨率限制问题。实验结果表明,本算法对大规模网络的检测与现有经典算法相比更优。