复杂网络作为研究现实世界复杂系统的理论模型,能抽象概括复杂系统的结构特征,将现实世界网络以直观具体的形式表现出来。复杂网络的社区结构是内部连接紧密、外部连接稀疏的簇。划分复杂网络中的社区结构可以揭示网络中存在的结构特征和关联信息、发现网络的内在属性,具有重要的实际应用价值。社区结构划分本质就是网络节点聚类,本文基于共邻节点展开对复杂网络的社区划分算法研究,主要工作如下:(1)为解决传统层次聚类算法划分非重叠社区存在时间复杂度高、社区划分准确率低等问题,提出基于共邻节点相似度的社区划分算法。算法考虑到共邻节点对节点间相似度的影响,新颖的提出共邻节点相似度模型,模型构建星型邻域网络,用星型邻域网络间的相似度度量节点间的相似度;并通过判断星型邻域网络间是否包含相同节点,若不包含相同节点则不进行相似度的计算,从而达到降低复杂度的目的;根据节点相似度和节点局部影响力对节点进行初步聚类,然后以模块度优化为目的对初步聚类得到的社区进行合并,从而获到更优的社区划分结果。(2)为体现出现实世界网络特征结构,符合实际网络情况,提出基于节点从属度的加权网络重叠社区划分算法。该算法构建加权网络模型,通过模型将无权网络转化为加权网络,通过权值体现出节点间连接强度;针对当前的局部拓展算法的拓展节点选取存在不合理的情况,在转化后的加权网络中根据节点权重以及网络拓扑结构,定义核心社区概念;定义节点从属度函数,通过计算节点与核心社区间的从属度值,将其与从属度阈值比较进行核心社区扩展,根据扩展模块度优化思想,通过调整从属度阈值直到获得最优的社区结构,完成重叠社区划分。在人工合成网络数据集和真实世界网络数据集上,将本文所提算法与其他算法利用标准化互信息和模块度作为评价指标进行对比,实验结果表明,本文所提算法具有明显的优势,能准确有效地发现网络的社区结构,划分出高质量的社区结构。