有关社区发现的理论研究一贯在社会网络的课题中占有非常的重要地位。而近几年计算机网络技术的发展,使得社会网络的规模由现实生活中人与人之间的关系,逐步扩展到了在线虚拟网络关系。由于社会网络本身规模变得庞大,其呈现的重叠社区结构也变得更为复杂。而在已有的社区发现相关算法中,在一定程度上忽略了网络中节点影响力在社区发现过程中的重要作用。为此,本文首先针对K-Shell分解算法在影响力计算上存在粗粒度划分以及欠缺考虑节点除全局因素外的其他因素的不足之处,在K-Shell分解算法的基础上,提出一种结合节点的全局影响力、局部影响力以及邻居节点的贡献度的计算影响力的方法KSADWN。实验在5个不同规模的数据集上验证,并采用了7个经典的影响力计算算法进行对比,实验结果显示本文提出的KSADWN算法在计算节点影响力方面有着不错的表现。以计算得到的影响力为基础,针对标签传播类重叠社区发现算法中的COPRA算法存在随机性,以及在计算过程中欠缺对节点影响力的考虑的不足之处,提出了一种重叠社区发现算法INILPA。在标签传播过程中更改了标签更新顺序,并且不仅仅考虑邻居节点影响力对归属系数造成的影响,还增加了对被更新节点自身归属倾向及影响力的考虑,改进了节点对标签的归属系数的计算方法,并且融合节点影响力改进重叠阈值的设定方式。实验在5个不同规模的数据集上验证,并采用6个经典的重叠社区发现算法与本文的INILPA算法对比。实验结果显示本文的INILPA算法在降低算法随机性和提升算法稳定性方面起了很大的作用,INILPA算法与以上6个算法相比,提高了社区发现的质量。