随着计算机技术的发展，复杂网络广泛的应用到生活中的各个方面。社区检测是目前复杂网络的研究热点之一，在一个网络中不同性质和不同类型的节点构成了不同的社区结构。社区是由内部节点连接密集，外部节点连接稀疏的结构组成，这也是复杂网络的特性之一。社区检测对于网络结构的了解和网络特性的分析至关重要。社区结构的分析广泛应用在生物学，物理学，计算机图形学和社会学等方面。目前社区检测的方法存在准确率低和效率低下等问题，本文针对上述问题，提出了三种复杂网络社区检测方法，分别如下：(1)提出了一种基于模拟退火遗传算法的社区划分方法。将传统遗传算法与模拟退火算法形结合，即采用模拟退火法进行局部搜索，并且采用模块度Q作为目标函数，有效地解决了划分准确率低和稳定性低等问题。对比实验表明：该方法在提高稳定性的同时，又能有效地提高社区划分的准确率。(2)提出了一种基于模块度和改进的遗传算法的社区检测方法。将Q作为目标函数，简化算法，并且采用先验信息：社区的结构数，这样可以使得算法更加有针对性，提高了算法的稳定性和检测结果的准确率。与此同时，采用模拟退火方法作为局部搜索方法，通过调节参数有效地提高了局部搜索的能力。通过对一幅计算机网络和四幅实际网络的对比实验表明了该算法的有效性。(3)提出了一种基于免疫克隆多目标优化算法的社区划分方法。将单目标问题转化为多目标问题，一次运行同时得到多个解，可以有效地提高搜索能力和划分的稳定性，加入社区类别数的先验信息，可以有效地提高社区划分结果的准确率。在选择阶段加入了克隆算子，首先选择出非支配个体并且对其进行比例克隆，可以有效地增加解的多样性，提高解的质量并且实现了全局择优，并且采用模拟退火法进行局部搜索，可以有效地提高局部搜索能力。实验表明：该方法可以对复杂网络进行有效地划分。本文工作得到了国家自然科学基金(No.61001202)，中国博士后特别资助项目(No.201104658)，陕西省基金(No.2009JQ8015)，国家教育部博士点新教师基金(No.20100203120008)，中国博士后科学基金资助项目(No.20090451369)的资助。