随着信息技术的快速发展,社交网络的挖掘分析成为了新的研究热点。作为社交网络分析中的一项基础性研究,社区发现对理解网络的结构特性、揭示网络中的隐含模式有着重要的意义。本文分别从提高社区发现的准确度和抗噪音性能以及重叠社区的识别三个方面进行了深入研究。针对传统聚类方法利用高维矩阵进行社区发现时准确度低的问题,本文给出了一种基于信号传递的社区发现算法(SPC算法)。该算法首先利用信号传递的方法得到网络中节点的影响力矩阵,将网络拓扑结构转化为空间向量信息;为了提高社区划分的准确度,本文设计了深度稀疏自编码器对高维影响力矩阵进行特征提取,特征提取后得到的低维特征矩阵能够更好的表达网络中的社区结构,同时降低了聚类任务的复杂度;最后使用k-均值方法对低维特征矩阵进行社区划分。实验结果表明,SPC算法有效提高了社区划分的准确度。针对完全依赖网络的拓扑结构进行社区发现的方法易受噪音干扰的问题,本文提出了一种基于主动学习的半监督社区发现算法(ASCD算法)。该算法是一种基于极值优化的半监督社区发现算法和基于主动学习的先验信息获取算法的结合算法。其中,半监督社区发现算法利用先验信息引导社区发现,有效补偿了噪音带来的影响;主动学习算法通过选取网络中包含信息量最大的节点构造先验信息,提高了先验信息的效用。真实网络上的实验结果表明,ASCD算法具有良好的抗噪音性能;同时,人工网络上的实验结果验证了主动学习算法的有效性。为了能够有效识别网络中的重叠社区结构,本文提出了一种基于模糊聚类的重叠社区发现算法(ODFC算法)。该算法的主要思想是将网络拓扑结构转化为适合聚类分析的数据结构,然后利用模糊c-均值算法进行重叠社区发现。在对网络数据预处理时,本文考虑了节点度的幂律分布特性,给出了一种新的节点相似度计算方法;然后使用多维尺度分析方法将相似度矩阵映射到二维欧式空间,以此作为聚类算法的输入数据集。同时,针对模糊c-均值算法随机选取初始聚类中心的不足,本文提出了一种初始聚类中心选取方案,该方案综合考虑了节点的重要性和边的信息中心度。实验结果表明:相比于其它几个代表性重叠社区发现算法,ODFC算法可以更加有效的识别网络中的重叠社区结构。