现实世界中的许多复杂系统可以表示为网络,例如社交网络、生物分子网络等,网络分析对于理解复杂系统的内部机制具有重要意义。作为网络分析的重要内容,社区发现引起了各行业研究人员的广泛关注,如何提高社区发现的效率和准确度是一个巨大的挑战。网络嵌入方法可以学习网络顶点潜在的低维表示,并且保留网络结构、顶点特征等信息,已被广泛应用于社区发现任务,但是仍然存在社区数目未知、准确度有待进一步提高等问题。本文使用两种改进的网络嵌入算法,分别引入了统计推理和深度学习方法,从不同角度解决了上述问题。基于网络嵌入的社区发现方法通常使用k-means算法对学习到的嵌入表示进行聚类,要以先验的社区数目作为输入,但这通常是未知的。因此本文使用基于Dirichlet过程先验的变分贝叶斯高斯混合模型进行聚类以实现社区数目的自动确定。为了得到用于高斯混合聚类的嵌入矩阵,本文首先使用node2vec算法,针对node2vec预处理产生大量时间和空间消耗的问题,采用改进的拒绝采样代替alias采样进行解决。在人工合成数据集上的实验证明我们方法的准确度高于对比方法,且达到了较好的时间效率。然而基于node2vec的社区发现方法通常只适用于拓扑图的社区发现场景,当需要对包含拓扑信息和节点属性信息的属性图进行社区划分时显然不适用。基于深度网络嵌入的社区发现为这一任务提供了比较好的解决方案,但是这类方法大多只是将拓扑信息和属性信息简单融合。因此,本文进一步提出了基于深度双重自编码的社区发现框架,将深度神经网络自编码器提取到的属性信息逐层转换到图卷积神经网络自编码器中。然后使用自监督训练的方法学习符合聚类任务的网络嵌入,最后通过重构邻接矩阵和特征矩阵,保证了嵌入特征更好地反映原始网络的拓扑结构和节点属性信息。在四个真实数据集上的实验结果表明,本算法的准确度优于目前比较先进的算法,且稳定性更高。