社区结构在互联网、社交网络以及生物网络等领域具有重要的研究价值,社区发现算法作为一种从图中提取社区结构的技术,因而成为了研究的热点。GPU作为具有大量计算核心和超高内存带宽的异构硬件能够加速算法的执行,但由于图规模的增大和图数据不规则的特性,编写正确且性能高效的GPU算法具有很大的挑战,并且当前GPU上的社区发现算法无法检测重叠社区。因此,本文提出GPU上基于标签传播的社区发现算法框架,尝试解决这些问题。本文的研究内容如下:1)对传统的社区发现算法进行了概括,重点介绍了无监督的、性能高效的、可解释的标签传播算法,同时对当前GPU上社区发现算法的研究现状进行了综述,并分析了GPU在算法加速上的特性。2)提出了一个基于GPU和标签传播算法的社区发现系统——Aeolus。Aeolus屏蔽了GPU编程细节,并提供了可灵活配置的四个编程接口,还设计实现了基于核外内存和基于压缩图的超大规模图支持功能,为用户构建高性能可灵活配置的社区发现应用提供了底层支持。3)通过实例验证了Aeolus在具体算法上的应用,并对框架进行了准确性实验和性能测试。实验表明,使用Aeolus开发的社区发现算法能够在不损失准确率的情况下大幅提高算法的性能,在一些图中,甚至性能优于手动调优的GPU上标签传播算法。