复杂网络是复杂系统的抽象表示，复杂网络的研究对人们了解复杂系统起着良好的指导作用。社团结构是复杂网络的拓扑结构特性之一，现实世界中的网络普遍存在着社团结构。挖掘复杂网络中潜藏的社团结构，有助于更加清晰地了解复杂网络的性质和功能，为信息推送、个性化服务等实际应用提供了理论依据。本文首先简要介绍了社团结构挖掘技术的一些相关理论知识，然后详细阐述了社团结构挖掘的一些经典算法，并对这些算法的优缺点和应用范围进行归纳总结。大部分算法存在着不足：有的时间复杂度高，有的结果准确性低。如何设计一个快速合理的网络挖掘算法仍是一个具有挑战性的课题。本论文主要工作有：(1)在融合局部节点信息与全局模块聚类思想的基础上，提出一种基于节点相似性的社团挖掘的新方法，即BNS算法。首先给出新的节点相似性函数，根据节点的相似性获得最优邻居节点，合并节点形成小社团；然后借鉴CNM算法的思想，凝聚社团进行模块度优化，完成社团挖掘。使用基准网络检验该算法，实验结果证明算法是有效的，计算效率和精准性都有提高。(2)充分考虑局部信息，提出一种基于节点中心度的社团挖掘的新方法，即BDCN算法。算法首先选取网络中节点中心度最大的节点作为初始节点。接着计算已知节点与其邻居节点之间的相似度，选择相似度最大的节点加入已知社团，使用局部模块度来判断该节点能否加入到社团中，达到完成社团挖掘的目的。选用基准网络进行仿真，验证了算法的可行性和精准性。