社会网络是复杂网络中比较有代表性的现实网络，用来描述社会成员之间的关系。随着网络技术和移动设备的飞速发展，人们的沟通方式变的多样化，社交网站也越来越多。社团结构是社会网络的一个重要结构特征，也是近年研究社会网络的重点。所谓社团结构其实是一些紧密联系的实体，属于同一社团内的结点的关系要比属于不同社团的结点的关系更紧密。社会网络最核心的就是人与人的关系，以及所形成的社团结构。对社会网络尤其是对社会网络中的社团结构进行研究，具有重要的理论意义和实用价值。论文围绕挖掘社会网络中的社团结构展开，首先介绍了复杂网络和粒计算的相关概念性质以及几种现有的社团挖掘算法。基于粒计算，提出一种基于网络拓扑结构的结点相似度度量方式，并将其扩展到结点与社团、社团与社团之间。在此基础上，本文提出了两种有效的社团挖掘算法：基于-准完全子图的社团挖掘算法（α-CGC Algorithm）和基于粒计算的社团挖掘算法（CGCCAlgorithm），并分别采用真实的社会网络数据Zachary Karate Club进行实例分析，清晰的展现了算法的各个步骤。最后，在三个不同规模的真实社会网络数据集上进行实验验证并与经典的社团挖掘算法GN和CNM比较。结果证明，本论文提出的两个算法有效可行且能得到质量较高的社团结构。本文提出的两种算法如下：基于α-准完全子图的社团挖掘算法。算法的核心是基于定义的-准完全子图的概念，通过将生成的α-准完全子图作为社团的初始核心组成部分，再通过有关结点与社团之间和社团与社团之间的紧密关系的度量对各个社团的核心部分进行有效凝聚处理，以此生成最终的社团结构。所提出的这种算法较好地避免了社团划分的结果会受到不同初始结点的影响。基于粒计算的社团挖掘算法。算法的核心在于基于粗糙集的粒计算模型设计了网络结构上的粒化准则以及在该准则下生成网络粒度空间。并在此基础上提出了一种基于粒计算的社团挖掘模型，将社团挖掘问题转换成在不同粒度空间上的粒度转换问题。