随着互联网技术的快速发展,社交网络已逐渐成为了人们日常交友沟通、个人生活展示及消息发布的主要平台。社区发现是社交网络研究中的一个热点,挖掘社交网络中潜在的社区结构有助于深入理解网络的拓扑结构特点,也能为舆情监测、意见领袖发现和个性化推荐等诸多方面的研究与应用提供有力的支持。但目前随着社交网络规模的不断增大,如何从愈发复杂的社交网络中简单高效地挖掘出具有潜在特征的重叠社区结构成为了一项具有挑战性的问题。同时,社交网络中的用户之间不仅存在着显性关系,还存在好友相似、属性相似和兴趣相似等形式所表现出的隐性关系。为了更加合理地分析社交网络中用户之间的关系特征,可以通过使用信任来衡量用户间的个体权重、关系强度等关系属性,并通过定义信任的计算方法与传递规则来完成社交网络中的关系描述,从而能够有效提升社交网络分析的准确性因此,为解决已有社区发现算法中存在的问题,本文首先定义了一种社交网络中节点间信任的计算方法,通过使用信任来描述节点之间的关系特征,并在此基础之上提出了基于节点间信任的重叠社区发现算法,最后通过对比实验完成了算法的验证。具体的研究内容如下:1)提出了一种社交网络中融合了节点间关系强度与相似性的信任计算方法。在相关信任计算研究的基础之上,分析与选择社交网络中影响节点间信任的因素之后,针对由节点间关系强度产生的关系信任和节点间相似性产生的相似信任,分别给出了对应的计算方法。社交网络环境中信任的计算方法是本文后续研究的重要基础。2)设计了一种社交网络中基于节点间信任的局部重叠社区发现算法TLCDA(Trust-Based Local Overlapping Community Detection Algorithm)。TLCDA算法将社交网络抽象成为数据场后使用信任势来描述局部范围内节点之间的影响作用,并通过使用粗糙K-Mediods聚类完成重叠社区发现。3)制定了实验方案并完成对比分析。本文选取了LFR人工基准网络、经典真实网络和微博网络三种不同类型的网络,给出了社区发现的效果评价指标,并通过与经典的社区发现算法进行对比完成了TLCDA算法的效果验证。