许多研究表明,复杂网络中普遍存在着社区结构,即社区内部的节点联系紧密,而社区之间的节点联系则相对稀疏。复杂网络内部的社区结构具有十分重要的理论意义和应用价值,可以帮助人们理解复杂网络的功能、发现复杂网络中潜在的规律和预测复杂网络的行为。本课题主要围绕复杂网络社区发现和仿射传播算法进行了研究,包括以下三个方面的内容:首先,提出一种基于结构相似度仿射传播的社区发现算法(SS-FAP)。该算法首先选取结构相似度作为节点之间的相似性度量,并采用一种优化的方法来计算相似度矩阵;其次将计算得到的相似度矩阵作为输入,采用快速仿射传播算法进行聚类;最后得到最终的社区结构集合。实验结果表明,无论在模拟网络上还是在真实网络上,SS-FAP都具有很好的社区发现能力,能够发现高质量的社区结构。其次,提出一种基于模块度仿射传播的社区发现算法(MAP)。该算法的主要思想是将模块度函数Q嵌入到AP算法的迭代过程中,基于模块度优化来得到最优的社区发现结果。实验结果表明,与传统的LPA算法、FN算法、BGLL算法以及原始的AP算法对比,MAP算法能够更加有效地发现网络中的社区结构。最后,实现一个社区发现算法原型系统,该原型系统主要实现了SS-FAP算法、MAP算法、LPA算法以及4种社区发现评价标准,分别是规范化互信息、FM指标、准确率与模块度,并且利用力引导布局算法来可视化显示网络。