近年来随着社会网络的兴起,社区发现的研究在数据挖掘领域和社会网络分析中引起了广泛的关注,可以有效地发掘隐藏在社会网络中的社区结构。社区表现了网络中的用户行为的特征以及其相互之间的关联关系,分析网络中的社区结构对了解整个网络的结构和分析用户之间的交互关系起到了至关重要的作用。目前,关于社区发现的研究已经有很多的结果,并且已经有很多的社区发现算法被设计出来。不过,依然面临着对节点间关系和网络拓扑的调研还不够全面、节点属性维度较大难以与深层结构信息聚合,以及精度亟待提高等问题。针对当前在社区发现中存在的问题,本文重点探讨了社会网络中社区发现问题,提出了三种改进的社区发现方法,从不同角度解决了上述问题。具体工作可以简单概括为以下几个部分:第一部分,针对模块度函数存在限制问题,提出了基于多目标粒子群优化的社区发现算法CDPSO。利用多目标粒子群优化方法对多目标进行建模,分别以社区内密度NRA与社区间密度RC作为粒子优劣的评判目标,并采用一种基于概率的选择策略选择最优解集。该算法在社区发现质量和准确性方面具有明显优势,并且降低了时间复杂度。第二部分,针对节点间关系研究的缺失、初始选择社区中心不合理等问题,提出了基于边影响权重的社区发现算法CDP-EW。利用节点的度中心性计算节点影响力,进行初始社区中心选择。针对不同节点之间的链路关系重新定义了边影响权重来计算节点间相似性。该算法可以有效地挖掘网络中的重叠社区,并且在模块度上显示了优异的特性。第三部分,针对真实网络中节点维度较大、难以找到重要信息,且难以整合深层结构信息以有效的进行社区划分等问题,提出了基于图神经网络嵌入的社区发现算法GMCD。所提出的方法利用图神经网络（GNN）和高斯混合分布（GMM）,通过图神经网络学习节点嵌入获得节点表示向量,将节点表示向量输入高斯混合分布模型进行聚类操作。该算法有较好的网络表示性能,各评价指标均有提升,且用于社区发现的效果良好。