随着科学的发展,人们对复杂性科学的关注越来越大,复杂性网络的研究也成为了热点。社会网络指的是网络中的成员通过一定的联系和互动而形成的一种体系,这种体系较稳定且有一定的规律性。其中,联系比较紧密的社会团体被称为社区。目前科学家对社区的定义一直没被广泛认可。一般来说,社区内的成员在某方面拥有相同的特性,从而联系比较紧密；社区内部的个体容易受到同一社区其他人的影响。有效的社区挖掘技术能够发现真实的社区结构并可以展现出来,这对大规模网络数据的分析和应用具有重要的应用价值和现实意义。目前适用于大规模复杂网络的社区划分算法,很难在时间消耗和划分效果中达到让人满意的结果。针对这些问题,本文在算法中引入节点的结构信息和适应度的概念,将结构相似性较强的节点快速加入同一个社区,通过不断提高适应度的值,来达到划分效果。这样可以使得算法在时间上消耗较低,而且这种算法得到的社区模块度值很高,能够有一个较满意的结果。此外,本文利用结构相似性信息对蚁群模型进行优化,通过计算节点的结构相似度,来得到初始节点之间的距离。将结构信息加入到蚁群模型,不仅兼顾了复杂网络的局部信息和全局特征,也能够降低算法的时间复杂度。通过对人工模拟复杂网络和真实社会复杂网络的常用数据集进行实验表明,算法在时间效率和社区划分效果上都达到了让人满意的结果。