随着社交网络的迅猛发展,人们获取到了海量、丰富的网络数据。然而,如何获取知识成为亟待解决的关键问题。社团结构对于理解网络中的结构功能、发现网络中的隐藏模式具有非常重要的作用。由于复杂网络的复杂性、异质性和海量性等特点,社团发现面临以下三个方面的挑战:1)如何提高重叠社团发现效率;2)如何利用高阶结构提升社团发现效果;3)如何高效融合网络结构、文本和时间等信息,进行社团和主题联合发现。针对上述挑战,本文从基于低阶的社团发现、基于高阶结构的社团发现和基于富信息的社团发现三个方面提出了相应的解决方法。本文主要贡献如下:1)基于低阶结构的社团发现。针对重叠社团发现的孤立点、结果不稳定性、过度重叠等问题,本文提出了两种改进策略。(1)重叠社团内的节点具有不同类型,本文利用粗糙集刻画社团内节点的类型,提出一种基于粗糙集的重叠社团发现方法,同时引入易调节阈值控制社团重叠范围,解决了重叠社团过度重叠的问题;(2)提出一种基于边的大规模重叠社团发现方法,通过结合密度和模块度优化发现网络中的孤立点且有效避免了结果不稳定的问题,根据重叠度合并已有社团解决过度重叠问题,并利用分布式计算平台实现并行化提高大规模重叠社团效率。2)基于高阶结构的社团发现。基于低阶结构的社团发现方法难以捕捉高阶结构刻画的网络信息从而导致社团发现效果下降,本文提出一种基于高阶结构的网络模体局部社团发现方法。首先,设计了生成高阶结构邻接矩阵方法;其次,设计了生成近似不变子空间的方法,有效避免了计算大量奇异向量的工作;最后,提出了在近似不变子空间中搜索目标社团指示向量的方法,进而发现局部社团。该方法提升了社团发现效果。3)基于富信息的社团发现方法。考虑到文本和时间等富信息对社团发现的影响,本文提出一种基于生成模型的动态主题社团发现方法。首先,定义了动态主题社团发现问题;其次,提出了能够统一建模网络结构、文本和时间信息的模型;最后,提出了推理模型参数的采样方法,进而发现社团、主题及其时间变化。该方法能发现带有主题的社团,提升了社团和主题发现的效果。