复杂网络社区发现及其动态演化研究对于现实生活具有非常重要的研究价值,它引起了许多领域研究者的关注。本文提出了三个复杂网络社区研究的算法,第一个算法是改进后的多社区谱分解法,后两个算法引入“线图”来进行社区研究。针对传统的谱分解存在网络平分或者递归平分问题,提出一种基于点的分步骤的复杂网络谱分解的多社区算法（NSDA）。首先,该算法利用先验信息对复杂网络中的特殊结点和局部特殊结构进行预处理;接着,建立Laplace矩阵,对该矩阵进行谱分解,从而得到三个特定的特征值及其对应的特征向量,以三个特征向量的元素为坐标形成直角坐标系下的结点分布图;最后,通过坐标系中的结点分布图确定阈值,根据阈值来确定相应社区成员,从而构造出多个社区。本文用“线图”来改进NSDA算法,运用线图优势,提出了一种基于边的有覆盖的多社区的探测方法（ESDA）进行多社区发现。该算法有三个步骤:第一,复杂网络原始图转换成线图;第二,用一种基于点的分步骤的复杂网络谱分解的多社区算法（NSDA）来划分社区,近而得到线图的社区划分;第三,再把线图的社区划分转换为原始网络结构,得到有覆盖的社区划分,从而确定社区成员。本文再次把线图应用到社区动态演化研究,提出了一种基于线图的启发式的分层聚合的社区动态演化方法。该方法主要分为四步:首先,对一定比例的、低语义相似度的结点进行预处理;其次,对复杂网络的历史权值和瞬间权值按比例进行计算得到综合带权网络图;把综合的带权网络图转换成线图。再者,以一定比例的语义相似度高的节点为中心进行聚合,再把处理后的结点进行分层,确定社区成员。最后,依据模块度公式进行计算,合并能提高模块度的社区,寻找相对较佳的社区划分。