很多自然和社会中的复杂系统，都可以按一定的方式描述成图或者网络。这些网络具有复杂的内部结构，因此称为复杂网络。近些年来，随着复杂网络在众多领域中的广泛应用，复杂网络中的社团检测与分析也越发受到人们的注意。社团结构的特点在于社团中的节点处于一种高密度的集聚状态而社团之间的节点则处于一种低密度的连接状态，而社团检测最基本的作用是将个体进行社团分类，将个体分配到若干社团中。该问题的深入研究有助于以一种分而治之的方式研究整个网络的模块、功能及其演化，更准确地理解复杂系统的组织原则、拓扑结构与动力学特性。到目前为止，人们提出了许多算法来检测复杂网络中的社团结构。典型的社团检测算法大致可以分为传统的分级聚类和图形分割算法，比如Kemighan-Lin算法和谱平分算法，以及GN算法和Newman快速算法。这些算法都有各自的优势和不足，都有其特定的适用范围，还需要进一步改进。如有的算法在计算效率方面，有的算法在算法思想方面仍值得改进。但是，这些算法绝大多数都是将网络检测成为若干个相互分离的社团，准确度在一定程度上取决于初始条件的选择，并且不能识别网络中的一些重要节点。2011年Xu Xiaowei提出了一种基于结构相似的社团结构检测算法SCAN。该算法的优点是不仅可以对网络进行社团结构的检测，并且可以找出网络中的特殊节点。但该算法的不足在于对参数的选择非常敏感，难以保证检测出的社团的质量。本文在SCAN算法的启发下，借用结构相似度的思想，利用自然最近邻居算法无需参数的优势，提出了一种新的社团检测算法——基于自然最近邻居的社团检测算法CD3N。同时，邻居本身就包含一种社团的概念，这使得自然最近邻居算法可以很好的理清复杂网络中的节点关系。本文对原有的自然最近邻居概念进行了改进，使用结构相似度代替距离作为邻居的判定依据，详细分析了各种自然最近邻域图的优缺点并提出了一种适用于社团检测的自然最近邻域图的构造方法。最后使用真实数据集进行实验，与源数据划分结果和SCAN算法结果进行对比分析，证明了算法的可行性和有效性。