复杂网络研究作为一个新兴的学科方向，极大地吸引了来自不同学科研究人员的广泛关注，已成为学术界研究的一个热点。人们生活在一个充满着各种各样的复杂网络的世界中，这也使得研究复杂网络成为必要。复杂网络简而言之即呈现高度复杂性的网络，使得研究复杂网络非常困难。复杂网络随着网络规模和计算机技术飞速发展而出现社团划分方法。聚类分析（ClusteringAnalysis）作为数据挖掘（Data Mining）的一项主要功能和任务，在数据挖掘和探查性分析中已成为一个非常活跃的研究领域。面对海量数据，首要的任务就是对其进行归类，聚类分析就是对原始数据进行合理归类的一种方法。但由于聚类对象在高维特征空间分布的复杂性，聚类效果评价的不确定性和灵活性，以及聚类作为一个优化问题求解的高计算复杂性，聚类算法仍然面临着众多的问题和挑战。本文的主要工作是：(1)概述复杂网络的研究现状和研究意义，并且介绍数据挖掘中聚类和聚类分析及其相关的算法；(2)重点介绍层次聚类算法思想，分析其存在的问题，复杂网络中作为聚类中心的节点不仅具有与同类其它节点较强的连接强度，而且与其相连的节点之间也具有较强的相互连接密度和强度，即具有较强的局部聚集性。本文借鉴复杂网络中的节点中的综合特征值CFi的定义，提出了相应改进算法的思路。在介绍Chameleon算法的基础上，结合定义提出一种基于综合特征值的Chameleon算法，在标准数据集中进行相关实验和效果分析；(3)简单介绍了复杂网络中社团研究现状及相关算法，将改进的CNMC算法应用于复杂网络中的社团发现；