复杂网络是现实生活中复杂系统的抽象。在真实世界中,存在各种各样的复杂系统,可以抽象成为多种复杂网络,如金融网络、社交网络、互联网等。复杂网络具有诸多特征,针对复杂网络研究的视角和方法也多种多样,社区结构作为一种重要的复杂网络特征,通过使用社区发现算法对复杂网络中的社区结构进行研究和分析,可以更深层次的理解网络拓扑结构和挖掘网络中的底层信息。二模网络是一种具有两种不同类型节点的特殊复杂网络。相较于一模网络,二模网络具有更广泛的适用性和普遍性。根据节点能否同时属于多个社区,复杂网络中的社区可分为重叠社区结构和非重叠社区结构。重叠社区结构在现实生活中普遍存在,相较于非重叠社区结构,重叠社区结构具有更重要的现实意义。社区发现算法中现存的重要评价标准——模块度（Modularity）,受到模块度分辨率限制问题的影响,在某些社区结构中无法准确评价社区发现算法的优劣。因此研究更有效的二模网络重叠社区发现算法和更合理的评价标准,具有更重要的科研价值和实用价值。针对二模网络现存评价标准受模块度分辨率限制的问题,本文提出了社区密度D（Community Density）的概念。针对现有二模网络社区发现算法精度和有效性低的问题,提出了二模网络社区发现算法DSNE（Density Sub-community Nodepair Extraction）。在人工合成网络和真实二模网络的数据集上进行实验,证明了社区密度相较于现存评级标准的有效性,以及DSNE算法相较于现存社区发现算法的准确性、稳定性和有效性等。本文的研究内容包括:（1）提出了二模网络重叠社区发现算法的评价标准社区密度。针对目前评价标准模块度中存在的分辨率限制问题,提出了适用于二模网络重叠社区发现算法评价的评价标准社区密度。（2）提出了二模网络重叠社区发现算法DSNE。针对传统二模网络重叠社区发现算法有效性和准确性较低的问题,从微观角度出发,提出了新的社区发现算法DSNE。该算法采用基于节点对密度的子社区构建方法,以及基于中心节点对的子社区合并策略,提高了社区发现算法的准确度。（3）验证社区密度和DSNE算法的有效性。在1个人工合成网络和11个真实二模网络的数据集上,验证了社区密度和DSNE算法的有效性、稳定性和准确性。