近年来,复杂网络的社区发现由于可以发现隐藏在网络中的有用信息,在社交网络、电子邮件网络、引文网络和生物网络等应用领域上引起了广泛的关注。在社交网络中,社区发现可以用于预测推荐系统中用户之间的信息传播或预测行为之间的缺失环节,由于大规模的在线社交网络已经深深地融入到我们的日常生活中,从中发现有意义的社区对于各种目的的研究和应用变得至关重要。本文基于结构熵对社区结构在内聚度度量、耦合度度量、社区发现等方面展开研究。本文主要研究内容如下:（1）提出了基于结构熵的社区内聚度度量。社区密度通常用来定义社区内部连接紧密程度,但忽略了社区内部的异构性性（即均匀性）。因此,本文提出将社区密度和社区结构熵结合起来进行社区内聚度的度量,以达到更好的度量效果。本文给出了社区内聚度的性质,并分析了网络演化对内聚度的影响,得出可以根据社区内聚度的降低率来标识网络的演化过程。（2）提出了基于结构熵模块度的社区发现。本文基于社区内聚度和耦合度提出了一种基于结构熵的模块度（SE模块度）,基于结构熵的模块度表现为高内聚低耦合,并将其应用到社区发现算法中,最后在真实网络上验证了基于结构熵模块度的社区发现的有效性和适用性。（3）提出了基于关联度和结构熵的蛋白互作网络之间的耦合度度量。本文基于关联度和结构熵分析了不同蛋白之间的拓扑关联,最后得出结论,与其他蛋白相比,致病蛋白与必需蛋白拓扑耦合度较少。