近几年,大数据、人工智能持续发展,变得越来越高效,在日常生活中也得到了广泛的应用。网络承载着庞大而复杂的数据信息。其内部结构的研究无疑蕴含着丰富的信息量和强大的吸引力,社团结构检测技术应运而生。分析网络的结构,描述网络的特征能够更好地认识网络的特质,预测网络更替的规律。现有研究的传统的社团检测方法中,非重叠社团检测算法为更多人所选择。但随着研究的深入,与实际网络更为匹配的重叠社团检测方法后来居上,开辟了新的研究思路。本文通过对SLPA算法的了解与研究的基础上,提出了基于模块度优化的重叠社团检测算法MLPA+算法。将模块度优化思想与SLPA算法相互融合,减少了SLPA在传播标签时的随机性,模块度比率平方根最大化的展现使得算法在前期进行初始社团划分,在标签传播阶段,通过计算比较Adamic-Adar指标选择最优邻居节点,当最优邻居节点有多个时,则选择它们的标签中出现次数最多的标签,对当前节点进行更新标签,最终使得社团检测结果更符合真实社团结构。通过在五组人工网络数据集和四组真实网络数据集进行社团检测,实验结果对比分析表明,MLPA+算法在功能上存在着明显的优势。加之算法的收敛速度较为迅速,结果也较改进前更加稳定,综合得出本文提出的算法具有较好的稳定性和鲁棒性。本算法参与某市公共安全部门合作课题“社团检测在特定行业的应用软件”,为更好地在案件侦破过程中提供有效帮助,确定组织参与活动的敏感人群提供更有效的分析方法。通过MLPA+算法对于重叠节点进行准确检测,缩小敏感人群范围,给与侦破案件提供重要的辅助性作用。通过MLPA+改进算法确定重叠节点,改进非重叠算法准确性低的不足之处,同时也为刑侦提供更加精准的信息以加快案情的推进。