复杂网络是对复杂系统的抽象表示,其反映出复杂系统中各个个体间的连接关系。社团作为复杂网络的基本功能,普遍存在于实际网络中,通过挖掘社团结构,有助于认识网络功能和研究网络拓扑结构,以此揭示复杂网络中存在的潜在规律,预测复杂网络的演化趋势,因此对于复杂网络社团检测研究具有重要实际应用价值。专家们从各个角度入手,提出了种类繁多的社团检测算法,在基于节点相似度社团检测的这类算法中,其本质是对节点相似度的度量,但现有基于节点相似度的这类算法都存在着不同程度的缺陷。本文通过改进节点相似度的度量和融合聚类算法的框架,分别设计以下两种算法。（1）针对传统依靠节点邻居衡量节点相似度准确性低、随机选取聚类中心节点导致最终社团检测质量不稳定等问题,提出一种基于节点密度和相似度的社团检测算法。算法考虑到节点最短路径对节点相似度的影响,给出一种结合节点邻居和节点最短路径来改进节点相似度的度量方法;定义节点密度,为聚类中心节点的选取提供依据。首先根据节点密度最大且节点之间相似度小的原则选取初始聚类节点,然后利用最大相似度原则进行社团划分,最后以优化模块度为指标进行社团检测。（2）为了解决传统依靠节点边权值衡量节点相似度准确性低、社团评价指标单一等问题,提出一种基于吸引力的节点相似度社团检测算法。算法依据节点吸引力计算出节点的结构相似性,依据K模式的简单匹配计算出节点的属性相似性,结合节点结构相似性和属性相似性来计算节点相似度;引入社团密合度,当作社团合并时的评价指标。首先根据节点密度最大原则选取聚类中心,然后以节点相似度对社团进行初始划分,最后根据最优社团密合度合并社团,直到社团密合度不再增加,此时得到社团检测结果。为了验证上述两种算法的性能,本文分别在人工网络和真实世界网络中进行了充分的实验,并且对所得到的实验结果和其他算法进行了深入对比,实验结果表明,本文所提的两种算法均能有效的检测出高质量的社团结构。