随着网络科学研究的不断深入,人类发现现实中各类纷繁复杂的现象都可以利用网络进行建模,例如蛋白质分子交互、科技论文相互引用、政治派系结盟等等。社区结构作为复杂网络的一种重要特征,对于理解整个复杂网络的结构特性、节点功能以及演化机制都起着至关重要的作用。因此,社区检测一直以来都是复杂网络研究中经久不衰的热点。为了高效、准确地发掘复杂网络中的社区结构,目前研究人员主要提出了五种不同类型的社区检测算法:社团过滤、线图和链接划分、局部扩展和优化、模糊社区检测、基于代理和动力的社区检测。基于非负矩阵分解的社区检测方法是模糊社区检测中的一类重要类型。由于现实复杂网络所具有的高维稀疏特性,因此非负矩阵分解算法在社区检测领域受到了越来越多的关注。目前,研究人员已经提出了多种基于非负矩阵分解的社区检测算法,并取得了非常不错的检测效果。然而,由于社区检测问题自身的复杂性,使得已有算法仍然存在诸多局限:(1)忽略了SNMF算法的特性对社区检测性能所造成的影响;(2)忽略了网络中观测信息缺失导致社区结构不明显问题。本文针对上述问题,提出了高效新颖的解决方法:1)本文将基于α和β更新规则的SNMF算法运用到社区检测模型中,提出了基于α-SNMF和β-SNMF的社区检测模型,并证明了新提出的算法性能优于传统基于SNMF的社区检测算法。在大规模数据集上的实验表明,通过调整α-SNMF和β-SNMF更新规则的超参数,能够大幅提升模型的性能。2)本文提出了一种基于逐点互信息的网络节点二阶邻近度量方法。针对现实中由于种种原因造成的网络信息缺失问题,本文提出了利用二阶邻近信息弥补一阶邻近信息不足的方法。3)本文提出了一种基于逐点互信息的社区检测算法。算法首先结合网络一阶、二阶邻近信息重新构造网络,然后对重构网络利用带图正则项约束的SNMF算法进行社区检测。在七个不同规模的数据集进行测试,实验结果表明新提出的基于逐点互信息的社区检测算法性能要优于目前最先进的社区检测算法。