复杂网络是一种呈现高度复杂性的网络,也是复杂系统的抽象形式,其研究受到广泛关注。复杂网络可以用于各种复杂系统的模型建立,如应用于物理、生物、经济、社会和信息系统。复杂网络呈现出无标度特性、小世界特性和社团结构特性。其中,社团结构是复杂网络中最重要的特性,其对应着网络的功能单元。检测网络中的社团可以揭示网络的内部结构与功能之间的关系,从而预测网络的功能。在众多社团检测算法中,基于模块度优化的算法是最为广泛应用的。但已有研究证明该类算法存在“检测局限性”的缺点。在实际应用中,小社团的存在有着非常重要的意义。因此,针对该问题,本文进行了以下研究:（1）基于k-plexes,本文提出了一种新的社团检测算法（简称MOKP算法）,MOKP算法用k-plexes构建网络的种子社团,然后利用模块度优化的概念来分配网络中剩余的顶点。该算法在进行社团检测时不受社团规模的限制,可以检测出网络中存在的小社团。（2）为了进一步节省MOKP算法的时间,本文从以下两个方面来进行改进（简称IMOKP算法）。（i）在进行种子社团生成之前,利用k-core的检测方法来对网络规模进行缩减。（ii）将网络剩余顶点的分配顺序从字母序调整为顶点的度的降序,同时在顶点分配过程中引入了社团标签。（3）为了验证本文算法的有效性,本文进行了大量的实验。实验在5个真实的数据集和4个人工数据集上进行,利用三种经典的评价指标来评估社团检测,并提出了新的小社团评价指标,称为小社团等级。实验结果表明MOKP算法的社团检测准确率优于多个其他经典的算法,并且能够有效地检测出小社团。IMOKP算法的运行时间和社团检测准确率都优于MOKP算法,实验最后在真实的蛋白质网络上验证了社团检测以及小社团检测的有效性。