随着人们对复杂网络研究的进一步深入,社区结构已经成为了研究的热点,人们认识到对社区结构的识别可以帮助我们更好的理解和使用复杂网络。近年来,在社区结构识别方面的研究成果很多,但是对社区当中存在的噪声的研究还屈指可数。由于噪声的存在会对社区识别算法的鲁棒性产生不良的影响。因此,如何在保证社区识别算法质量的前提下,对网络当中存在的噪声进行识别和处理成为了目前亟待解决的问题。针对上述问题和挑战,本文在分析与研究半监督社区发现领域当中经典算法的基础上,分别围绕半监督社区发现方法的降噪策略与鲁棒性展开了研究,分析了噪声对半监督社区发现方法的影响,研究了识别和移除噪声的方法。从类标签和成对约束这两个方面,提出了相应的解决方案,最后通过相关的理论分析与仿真实验证明了本研究是对半监督社区发现方法领域的有效的探索与扩充。主要的创新性成果如下:(1)针对目前存在的半监督社区划分方法中未考虑网络中的噪声产生的影响这一问题,本文提出了一种基于调和函数的噪声识别方法,这个方法可以对网络中存在的噪声进行识别,帮助半监督社区发现方法更有效的使用先验知识,进而能够显著提高半监督社区发现方法的划分精度。本文主要针对网络当中的伪噪声(即分布噪声)进行识别和处理。基于调和函数的噪声识别方法通过在目标函数中嵌入一个调和函数,用来处理节点和邻居节点之间的差异,然后对这个差值进行排序,进而得到网络当中处于多个不同社区之间的节点,作为噪声节点。(2)针对半监督社区发现方法中存在类标签和成对约束这两种先验知识的这一情况,分别根据每种先验知识的特性,移除了先验知识中存在的通过基于调和函数的噪声识别方法所识别到的噪声。并结合了SLPA、SDPT和SSNMF等半监督社区发现算法中的经典算法,在人工和真实数据集上进行实验测试,实验结果证明移除先验知识当中的噪声可以显著提高半监督社区发现算法的鲁棒性。