近年来,复杂网络受到越来越多研究者的关注,在网络中挖掘隐藏在表面关系以下的隐性关系,对科学研究和商业应用都具有很高的价值。由于复杂网络都具有社区结构的共性,即这些网络是由若干个社区构成的,因此运用社区发现方法有效地发现其中的社区结构及其进化过程,有助于研究者更好地分析网络结构性质,了解整个网络的动态趋势,从而为实现网络结构的优化、资源的搜索、资源的推荐等提供服务。在大规模网络中,社区发现的工作主要包括两部分：(1)发现各个时间段的社区结构；(2)通过社区间的关联找出社区的进化过程。尽管国内外研究学者对大规模网络的社区发现方法进行了深入的研究,但我们发现：计算效率高的方法得到的结果准确性较低；社区发现结果准确性较高的方法效率又非常低。为了在保证大规模网络中社区发现方法准确性的前提下,提高社区发现方法的效率,本文提出一种基于主题模型的社区发现方法。通过引入主题模型,从大量的网络数据中获得抽象的主题信息,提高构建单词关联网络的效率；在构建的网络里用派系过滤算法发现每个时间段的社区结构,更好地描述网络的社区结构和特性；在上述基础上计算相邻时间段社区间的相关度,通过比较社区相关度的大小值,查找社区之间的关联程度,通过分析社区的内容变化得到社区的进化过程。本文以DBLP文献数据库的文献标题作为实验数据,运用基于主题模型的社区发现方法发现网络的社区结构及进化过程。实验结果表明,本文提出的方法能够有效地提高社区发现的准确性,并降低算法的复杂度。