利用复杂网络分析方法,对复杂系统中的关系结构及属性进行分析,识别网络中社团结构具有重要研究意义。课题组构建了基于复杂网络算法进行人、物、组织及相互关系的感知、理解、预测的情报分析框架IAF,从基于社会/物理/网络空间中人类电子足迹的大规模社交关联网络（复杂网络）中进行社团检测,是智能情报分析框架中理解模块中的关键功能。本文提出融合网络结构和节点属性的社团检测方法,并进行了实证。首先,提出了结合属性网络无标度特性的社团检测方法（PLAC）。该方法基于联合生成模型,通过编码所有节点变化的度分布,保持网络中节点度的异质性,同时融合网络的结构和属性信息进行社团检测和语义识别。其次,提出了属性网络中的广义社团检测和语义识别的方法（GSC）。该方法基于联合贝叶斯生成模型,同时建模了网络的结构和属性,采用有效的吉布斯采样进行求解。在网络拓扑结构部分利用贝叶斯混合模型来检测网络中的广义社团,采用一个概率转移矩阵揭示结构社团和属性主题的潜在联系,通过分析社团中节点的内容信息解释社团语义。最后,本文利用论文数据集进行实证分析。根据生物领域论文的引用关系构建属性复杂网络,然后划分社团。又围绕领域研究现状分析的情报任务展开实证,构建了物理学不同领域作者合作网络,解释社团语义,分析不同领域研究内容,为各领域以后开展研究活动做指导。本文基于情报分析框架IAF理解模块中社团检测的功能,提出了两个属性网络中的社团检测生成模型,并且在真实的数据集上完成了验证,利用节点的内容信息,分析社团与主题之间的关系,描述社团的语义。论文最后在Aminer数据集上进行实证分析,可以发现特定社团并且揭示社团的特征,分析得出有关各领域研究内容的情报,具有重要的研究价值。