复杂网络是与其他学科交叉研究而发展起来的一门新学科,其网络拓扑结构具有明显的成簇特性,也即复杂网络簇结构,它与小世界性和无标度性一起称为复杂网络拓扑结构的三大最重要最基本的属性。簇结构具有的特点是同簇内的节点相互连接紧密,不同簇间的节点相互连接稀疏。而复杂网络聚类算法的根本目的是探测复杂网络中实际存在的网络簇结构,这对于挖掘网络中的簇结构并了解其特性,具有很重要的实用价值,而且有利于理解网络所具有的功能,例如预测复杂网络的发展,分析社会网络的行为,发现网络上的热点主题等。因此,本文从用于挖掘网络中的簇结构的聚类算法出发,做了如下几个方面的工作：首先,本文介绍了研究复杂网络及其聚类算法的背景与现实意义,之后,主要阐述了复杂网络的聚类算法的研究现状,陈述了复杂网络中节点的中心性,并介绍了几种聚类评价函数,同时,详细阐述了两种经典的聚类算法。其次,通过研究分析发现复杂网络簇结构的探测与数据聚类分析算法很相似,而且挖掘网络簇中心节点对减少聚类算法的复杂度有很大的帮助,而用于挖掘复杂网络中重要节点的算法正适合挖掘簇中心节点。通过分析对比各种节点重要性评估算法的优缺点,本文提出了节点重要性因子的概念,以此来挖掘网络簇中心节点。在研究了现有复杂网络聚类算法的优缺点之后,发现聚类评价函数可以避免初始簇结构数难以抉择的问题,而通过构建合适的聚类评价函数可以解决此问题。基于以上思想,本文将k-means算法的思想与数据场高斯函数的特性结合提出了一种复杂网络中基于数据场的自适应聚类算法。再次,考虑到仅依靠重要节点作为簇中心节点不易发现簇结构相差较大的网络,特别对于核心-外围结构的网络不适用,而且单一的聚类评价函数的存在片面性。为了克服上述算法的缺陷,本文引入了节点相似度的概念,避免网络中的重要节点都成为簇中心节点,同时,引入了多目标评价函数,以至于更好更有效的划分网络簇结构。基于此思想,本文又提出了基于数据场的多目标自适应聚类算法。最后,仿真实验表明以上算法均能有效地发现簇结构,且复杂度都低于一般的聚类算法。