复杂网络是一门新兴起的交叉学科，在很多学科领域例如计算机学科、数学学科、生物学科、物理学科，还有信息网络、技术网络、交通网络、生物网络等诸多领域都有涉及到的重要的应用。复杂网络的基本属性除了有小世界性和无标度性外，同样社区结构也是复杂网络的重要属性,所以识别复杂网络中的社区结构也是一个非常重要的研究领域，同时如何高效准确的识别大规模网络中的重要性节点自然也成为复杂网络研究中亟待解决问题，从重要性节点的提出至今，陆续不断有新的方法被提出来，不断在新的应用领域中应用，在不同领域的权威国际杂志和很多的重要国际学术会议也越来越多的报道这方面的研究工作。
　　本论文主要提出了基于两种中心性的局域社团检测算法，分别是基于杠杆中心性的局域社区识别方法和基于平均度的中心性局域社区识别方法，算法思想主要的是首先通过挖掘网络中的重要性节点，并对复杂网络节点根据中心性进行排序，然后通过适应度函数增加的方向识别社区结构，提高算法的搜索效率。重点通过对复杂网络中局域社区的中心性节点挖掘和中心性节点的排序进行研究，然后计算仿真结果发现，本文提出的两种社团中心性算法在识别网络中的中心性节点上更高效、精确、稳定的性能，并且通过对其中的节点按照中心性从大到小的降序排列，进而实现社区的更精确识别。新方法不需要提前获取网络全部的社区规模大小和网络的社区结构信息，并且能够通过调整参数信息控制识别社区的大小和多少，通过对与几种经典算法进行比较,验证了该算法的有效性和可行性。最后本文通过对来源于真实的朋友圈关系调查问卷数据的研究，问卷对象选择在内地就读学校的349名西藏内地班学生的真实朋友圈关系数据为样本，通过核对实验数据和真实数据的建模仿真情况,证明该算法在基础网络和真实网络上的实验表明,该算法是有效的和可行的。并且我们提出的算法不需要提前设置任何阈值参数,就能够准确地识别社区结构,有效地解决了传统算法的缺陷。