复杂网络是对现实中很多实际系统的抽象,它可以反映出网络中个体之间的相互关系。社团结构作为其中重要的结构特征,通常对应系统中的功能模块,对其进行提取可以探索网络的内部规律、挖掘节点间的潜在关系。因此,在复杂网络中进行社团检测具有十分重要的理论意义与应用价值,这项研究也受到各领域的广泛关注,从而有很多社团检测算法被提出。在充分研究这些算法后,本文通过探索网络中节点的相似性特征,分别设计了静态复杂网络中基于节点相似性的局部社团检测算法,以及动态网络中基于节点相似性的增量式社团检测算法。(1)基于节点相似性的局部社团检测算法。该算法充分利用网络的度信息与拓扑结构,计算节点之间的相似性,以高效的局部方式构建社团结构;并设计一个定量衡量社团稀疏程度与规模的指标,解决了社团检测过程中分辨率受限的问题。算法分为两步,第一步,利用度信息对节点影响力的反映,每次从未分配社团归属的节点中选取度最大的节点,为该节点与其最相似的邻居节点构建初始社团,重复该过程至所有节点均有初始社团归属;第二步,由于部分初始社团规模过小或太过稀疏,该步骤利用所设计的衡量社团规模和稀疏程度的指标,将不符合标准的初始社团合并到其最相似的邻居社团中,以获得最终的社团结构。(2)基于节点相似性的增量式社团检测算法。该算法在得到第一时刻网络快照的社团结构之后,在演化过程中,仅对当前时刻网络中发生变化的增量部分进行社团划分,未发生变化的稳定社团继承即可。同时,该算法仅从节点演化的角度出发,通过定义活跃节点简化了复杂的边演化事件。算法分为三步,第一步,继承前一时刻网络的社团结构并从中移除由于演化在当前时刻消失的节点,选出从前一时刻到当前时刻的演化中社团归属可能发生变化的节点,将其与新增节点一同定义为活跃节点;第二步,利用度信息与节点相似性,为活跃节点构建初始社团;第三步,对初始社团进行基于模块度增量的合并以优化最终结果,进而在每个网络快照上依次获得社团结构。为了验证所提算法的性能,本文在多个实际网络与人工合成网络数据集上进行了充分实验,并对所得实验结果与相关算法进行了深入比较。实验结果表明,本文所提的两个算法均能在不同网络中有效提取出高质量的社团结构。