在社交数据不断增多的今天,高效的检测出社交网络中隐藏的社区结构具有重要的研究意义和实际价值。在社交网络中,社区结构是最基础、最重要的拓扑特征,目前已有多种社区挖掘相关的研究,而在许多的真实网络中,真正意义上的非重叠社区往往并不那么常见,因而挖掘网络中的重叠结构更具有现实意义。目前,相关学者提出了很多复杂网络重叠社区划分方法,并将其应用在真实场景的分析工作中,但是社区划分方法的研究还有很多值得注意的问题,比如社区划分算法的精度和效率还有待提高,尤其是对重叠社区而言,这就涉及到网络中的结构信息、社区边界和节点归属等概念只单纯考虑了网络的拓扑结构,而并没有考虑网络背后更多的信息。本文在对现有重叠社区划分算法进行了研究分析后,针对网络结构信息、社区边界定义和节点归属进行了创新,主要工作如下:1.针对现有聚类中的相似度概念不适用于社交网络中的问题,通过阅读文献总结,结合网络的结构信息,对相似度概念进行了扩展,结合朋友圈中共同朋友数量占比往往能体现两人关系这一特征,提出了一种新的链接强度概念来概括网络结构信息,可以更好体现出网络中节点之间的相关性,并且通过这一概念提出了网络中节点的距离度量,将其应用在了基于快速搜索和发现密度峰值的聚类算法中,提出了基于密度距离的社区发现算法,最终通过对比实验证明,该算法具有更好的社区划分质量。2.原有确定社区边界的方法基于社区内部紧密,外部稀疏这样的概念,而且都是由边的数量来确定,这对于复杂的社交网络而言,这样的方式包含的信息太少,也就会导致划分精度下降。而除了社区边界外,节点归属的判定也会影响最终的划分精度,针对这一问题,本文结合网络链接强度,提出了新的社区边界定义和节点归属定义,设计了一种基于链接强度的重叠社区发现算法,该算法基于局部扩展优化策略,从初始节点开始,逐步优化,直至社区边界不再扩大。且最终实验比较表明,该算法在社区划分精度可达到良好的效果。