计算机科学技术的不断进步和信息化的过程不断加快,各种各样的大数据技术应运而生,其应用也越来越广泛。在数据类型繁多和数据量大的情况下,人们很难快速和精准的获取到想要的信息。科研论文是学术工作者的重要科学研究成果,随着时间的变化科研论文数量在急剧增加,不同的科研学术论文之间存在的引用关系越来越频繁复杂,这些引用关系形成了关联非常复杂的论文引用网络。不同的学术领域根据论文的引用关系形成不同形状和密度的社团结构。学术圈中,通常以某一个较小领域进行社团的划分,通过这种方式就会在复杂网络中形成很多较小的社团,社团与社团的关联程度较弱。社团外的学者想要学习对应领域内其他学者的研究现状和成果需要付出较大的查询代价。因此一种高效的社团发现方法可以对学术领域的交流起到重要的推动作用。复杂网络是由复杂系统的组成元素通过转化的方法形成的节点组成,节点的子集可以构成复杂网络中的社团。同一个社团结构内部的节点之间的连边多,而不同的社团之间的连边相对社团内部而言较少。复杂网络中的社团发现技术与数据挖掘中的聚类分析技术有着密切的联系,在2002年由Girwan和Newman两位学者共同提出了GN算法,它是最为经典和科研工作者所熟知的复杂网络社团发现算法,属于分裂的层次聚类分析算法中的一种类型。2004年由Fortunato等人提出了一种改进的GN算法,其核心思想是基于信息中心度而不是先前采用的边介数,它将GN算法中删除边介数最大的边改为去除信息中心度最大的边。2005年,Palla提出了社团发现算法CPM(clique percolation method),它是最早的重叠社区发现算法,CPM算法是基于完全子图概念的,比较适合应用在完全子图相对较多的复杂网络中,由于在社区内部节点之间连接密切,边密度高,容易形成派系(clique)。学术圈中的论文引用关系有强弱之分,当前的大多社区发现算法忽略了节点之间的联系强弱信息。本文通过对传统的基于密度的DBSCAN算法的研究并讨论其缺点,提出一种改进的算法,并且将改进的算法应用在学术圈的社团发现中。分别在传统的DBSCAN算法和改进的算法上使用DBLP数据集进行实验。结果表明,本文提出的改善的算法对学术圈社团发现挖掘结果较好于传统的DBSCAN算法。