移动互联网的快速发展生成了大量的数据信息,这些数据相互关联形成了复杂系统。复杂系统通常被抽象成复杂网络来进行研究,将系统中的成员看作网络中的节点,相同属性的节点聚集在一起形成了社区结构。探究社区结构的社区发现算法,可以帮助我们更好的理解网络属性和功能。在真实网络中,一个节点可能同时属于多个社区,这些社区称为重叠社区。本文主要对局部拓展类的重叠社区发现方法展开研究,并将算法应用于犯罪嫌疑人网络。本文的主要研究工作和创新点如下:（1）针对经典的局部拓展类重叠社区发现算法LFM算法划分结果不稳定、拓展过程可能出现死循环、社区划分后重叠小规模社区过多造成结果不准确的问题,提出了一类基于局部拓展的重叠社区发现算法（SLFM）。首先,为了缓解原算法随机选择种子导致的划分结果不稳定的问题,本文算法分别引入表示网络节点中心性的度中心性、介数中心性、接近度中心性和特征向量中心性作为衡量节点影响力的指标来选择初始社区;其次,算法给移出社区的节点增设标记位以避免算法本身可能存在的死循环问题,并对重复比对邻居节点的适应度函数过程进行剪枝,减少算法的运行时间;最后,为了解决LFM算法生成过多的重叠小社区,提出基于互信息的社区重叠度计算公式,对划分后重叠度较高的社区进行合并。在4个真实数据集和10组人工数据集上和其他算法的对比实验表明本文提出的算法以模块度、F1-Score和NMI等作为评价指标时,具有较好的社区划分效果。（2）犯罪分子与同级或上下级成员接触而形成嫌疑人网络,采用传统的人海战术挖掘与已知的犯罪者相接触的人员身份往往消耗了大量人力物力,局部拓展类社区发现算法能够从一个节点找出网络中的社区结构,可用于犯罪嫌疑人重叠团伙划分来定义未知成员的身份。基于此,本文构建了一个识别潜在犯罪嫌疑人的社区发现系统,实现了嫌疑人网络矩阵构建、关键节点分析、潜在嫌疑人社区划分、种子拓展和社区拓展规模自定义、节点属性自定义和社区划分结果可视化功能,为刑侦人员和科研人员提供了一个便捷的学习研究工具。