近年来,多种形式的网络社交平台愈演愈烈,用户可以利用这些社交网站和内容共享平台来建立自己的社交关系,如与他人实时交流,发表文章,与他人共享资源等。因此,需要在社会关系网图中识别出在某一属性达到局部最优的稠密子图,即社区发现(Community Detection,也称为社区挖掘),社区发现是数据挖掘,机器学习和图论等理论研究的热点。现如今,社区发现技术更是广泛的使用在犯罪团伙检测,蛋白质功能检测,Web社区检测和文档归类等不同领域。在庞大的社交关系网络中,一方面传统的单视角社区挖掘算法划分条件比较单一,所考虑的影响因素不全面,从而导致了其划分结果的不精确。另一方面,现有的多视角社区发现算法虽然可以用来挖掘全局网络的复杂关系,但限制条件比较多,适用性很低。针对上述问题,本文介绍了一种基于多视角社区发现的实体聚类算法,并从多个角度进行改进,本文的主要贡献点如下:(1)提出一个2阶段多视角网络社区发现模型2-MND(Two-stage Multiple Views Network Detecting Model),不同于传统的发现模型,该发现方法利用各个视角中的相互促进关系来提升局部社区发现的准确性,并通过聚类融合的方法来优化全局社区发现划分性能。(2)提出多视角局部协同选择聚类算法(Collaborative Multi-view Local Selecting Clustering,即co-MLSC),使用局部协同训练方法解决大多数多视角聚类算法中充分条件的限制,而导致聚类不准确的问题。(3)得到改进的多视角全局社区融合算法(Multi-viewGlobal Community Fusion,MGCF),该算法是将标签匹配和投票相结合的聚类融合算法,解决了传统多视角聚类融合中节点集不同和聚簇个数不同的限制问题。