自然界与人类社会中的许多系统都可以用复杂网络模型来表示,其中网络社区结构是复杂网络模型中最普遍和最重要的拓扑属性。社区是复杂网络中一类节点的集合,集合内部节点之间的相互作用比它们与外部节点的相互作用更强。大数据时代网络用户数量呈爆炸性增长,使得复杂网络的种类和规模得到了日新月异的发展。因此,在大规模复杂网络中发现社区结构对于理论价值研究和现实实际应用有着重要的意义。论文基于Spark分布式计算框架对大规模复杂网络进行研究,主要有以下几方面的工作:(1)首先,研究了极大团与社区结构的关系,发现极大团结构有很高的概率属于同一个社区,因此,在同步标签传播算法的基础上引入了基于极大团结构的标签初始化策略,提高了同步标签传播算法的收敛速度和准确率;然后,针对同步标签传播算法准确率低的问题,提出了一种基于社区相似性的更新规则,该更新规则使用节点相似性和社区相似性指导更新过程,显著提高了同步标签传播算法的准确率;最后,将基于极大团结构的标签初始化策略和基于社区相似性的更新规则相结合,引入同步标签传播算法当中,提出了基于极大团结构的标签传播社区发现算法(CSS＿LPA)。通过在小规模真实网络数据集和小规模LFR基准网络数据集进行实验,对比迭代次数、模块度和归一化互信息,结果表明,CSS＿LPA算法的社区发现准确率较高,且收敛速度较快。(2)为了在大规模复杂网络上进行社区发现,将CSS＿LPA算法在Spark平台上实现,提出了基于极大团结构的并行标签传播社区发现算法(CSPS＿LPA)。该算法首先在Spark平台上实现了极大团并行挖掘算法,然后在Spark平台上使用Graph X图计算框架实现了基于社区相似性更新规则的同步标签传播算法。通过在大规模真实网络数据集和大规模LFR基准网络数据集上进行实验,对比模块度、归一化互信息和加速比,结果表明,CSPS＿LPA算法的社区发现准确率较高,并且在分布式计算平台上有较好的可扩展性。