动态社区发现及演化分析是社交网络分析的重要研究内容。对于动态社区发现,增量式方法是最有效的方法之一,然而,增量式方法存在错误累积的问题:错误一旦发生,将会在后续网络演化中逐渐累积最终造成社区划分结果的较大偏差。对于社区演化分析,基于核心节点的方法简单有效,但是现有方法没有区分不同核心节点对不同演化事件的贡献,导致演化事件识别的准确性降低。本文针对上述问题提出了相应的解决方案。首先,提出一种错误累积敏感的增量式动态社区发现算法。该算法预估每个时间片的错误累积,若错误累积超出预定义的阈值,该时间片将使用与初始时间片相同的算法重新划分整个网络的社区结构,而不是根据前一时间片的社区结构增量式地局部更新。其次,提出一种基于Superspreader和Superblocker的动态社区演化事件识别算法。该算法将核心节点进一步区分为两种:Superspreader和Superblocker。前者是一类与影响力最大化有关的核心节点,该类节点具有很强的信息传播能力,利用这类节点可以发现动态社区的聚集性演化事件,包括:社区产生、社区合并和社区扩大;后者是一类与网络分解相关的核心节点,该类节点能极大地破坏网络连通性,利用这类节点可以发现动态社区的分散性演化事件,包括:社区消失、社区分裂和社区缩减。真实网络和人工网络上的实验表明:本文提出的错误累积敏感的增量式动态社区发现算法能够准确、快速地发现动态网络的社区结构;本文提出的基于Superspreader和Superblocker的动态社区演化事件识别算法能够充分利用不同核心节点的特性准确地识别各类动态社区演化事件。