现实世界的许多复杂系统可以抽象为复杂网络,社团结构是复杂网络的一个重要性质。研究社团结构对于理解复杂网络的拓扑结构与功能特性具有重要意义。真实的网络结构通常比较稀疏,部分网络的社团结构不够明晰。现有的社团检测算法大多只考虑网络拓扑,在处理稀疏网络和模糊社团时具有局限性。网络中未被充分利用但广泛存在的节点属性与半监督信息,可有效地弥补结构信息的不足。因此本文融合节点属性与半监督信息,对社团检测算法进行研究。主要工作如下:首先,提出了一种融合节点属性的半监督社团检测算法(SCDAN),基于非负矩阵分解模型,将网络拓扑、节点属性与半监督信息有效地融合在统一的目标函数中,实现了结构与内容信息、半监督与属性信息的互补。其次,推导出目标函数对应的更新规则,利用KKT条件优化目标函数,进而得到较为准确的社团检测结果。并用实验验证了网络结构、节点属性与半监督信息三者均对社团检测结果有不同程度的提升。最后,在真实数据集上对模型进行验证,与多种对比算法进行比较分析,证明SCDAN算法在社团检测的准确度和稳定性上具有优越性。并且该算法可获得社团的具体属性,对社团的真实语义进行解释。另外研究了半监督信息的比例对社团检测结果的影响,同时对实验参数进行了敏感性分析。最后利用Aminer数据集进行实证分析,提取社团语义信息,探究生物方面几个子领域各自的研究重点与研究兴趣,为研究者进行科研活动提供参考。综上,本文基于非负矩阵分解模型,提出了融合属性信息的半监督社团检测算法,具有较高准确率与稳定性,可对社团进行语义解释。