近年来复杂网络受到了多个领域的研究者的广泛关注,这一方面是由于人们对自然界和现实世界中众多的复杂系统有越来越大的兴趣,也因为复杂网络本身就具备广阔应用前景,比如互联网、神经网络、社交网络和生物网络等等。随着研究的深入,人们发现复杂网络中的节点并不是随机分布的,而是具有一定的结构特性,揭示与理解这些结构特性对于复杂网络的研究有着重要意义。“社团结构”就是许多真实网络共有的一种重要结构规律,而社团识别就是把网络中的节点划分为有社团结构特征的节点集合,这样不仅可以对复杂网络进行简化,还有助于我们挖掘网络更深层次的结构特性以及理解网络功能的模块性。另一方面,复杂网络作为研究复杂系统的重要工具,只研究其拓扑结构是远远不够的,还需要深入理解其内在的演化规律,以及网络的拓扑与动力学是怎样相互影响的。因此,本文考虑用动力学的方法研究社团识别问题,目前已经被普遍接受的动力学方法有自旋模型法、随机游走法和同步法。不同于这些常用方法,本论文提出了若干基于一致性动力学的社团识别算法。本文首先根据网络的社团结构对一致性动力学的影响来解决社团识别问题。在一致性过程中,那些对应于社团的节点集合会因为“内部连接稠密而外部连接稀疏”的特点而引起社团内外收敛速度的差异,即属于同一社团的节点会更快地达成一致。因此可以通过观察节点达成一致的顺序来反推网络中的社团结构,基于此理论本论文提出了两个新的社团识别算法,这两个算法根据节点达成一致的状况设计了各自的观测量,然后通过观测量的演化来推出网络的社团结构。然后利用空间变换提出一种基于一致性动力学的层次聚类算法。我们先用一个气体扩散模型来模拟网络的一致性过程,依次以每个节点为源节点并且在一致性初始时刻只赋予源节点以初始气压,接着用气压分布向量表示对应源节点对整个网络的影响。再用k近邻密度估计法分析气压分布向量,从而将社团识别问题转化为欧式空间中的向量聚类问题,最后画出网络的聚类树状图和相应的模块度分布图就可以识别网络社团结构的最优划分。除了提出基于一致性动力学的社团识别算法外,本论文还研究了网络的社团一致性问题。在提出一个可控制的一致性协议后,我们一方面研究了使网络社团内部各自达成一致的充分条件,另一方面还对社团的收敛空间与网络拓扑之间的关系进行了分析。最后我们总结了全文,并提出了若干有待进一步研究和探索的问题。