现实世界的许多复杂系统都可以抽象为复杂网络,在这些复杂网络中,节点可以用来表示真实系统的样本对象,而节点间的连接(边)则可以表示样本对象之间的相关关系,节点的特征属性代表不同样本的兴趣倾向。社区探测技术旨在发现复杂网络中的结构划分,通过将相关度较高的节点进行合理分类,进而得出这种分类在不同领域的意义所在。聚类是实现社区探测的主要方法之一,本文主要基于聚类算法针对非重叠社区和含有特征属性的重叠社区两方面存在的问题进行分析研究,研究内容主要包括:1.现有基于聚类的社区探测方法,通常难以通过网络原始节点信息来确定社区数目,另外相似度的随意选择也会导致社区划分结果的不确定性,采用贪婪策略的社区探测方法可能导致最终结果陷入局部最优解。针对这些问题,本文在信息理论框架下提出了一种基于划分式聚类的社区探测算法pIBD(partitional Information Bottleneck clustering based community Detection)。该方法利用网络原始节点信息,通过描绘互信息损失曲线,对最佳社区数目进行合理预测;基于信息瓶颈理论计算对象间的相似度,并以此设计出划分式聚类的目标函数。实验结果表明,pIBD算法能够利用网络原始节点信息对社区数目进行预测,同时显著提升了社区划分质量。2.传统的重叠社区探测主要利用模糊聚类和联合聚类方法对二维数据网络进行社区划分,对于具有特征属性的三维数据网络则没有相应的解决方案。因此,本文结合了模糊聚类、联合聚类和三维聚类等方法,提出一种基于三维模糊联合聚类的社区探测算法FTC(Fuzzy Tri-Clustering)。该算法通过分析网络节点与特征属性的概率相关模型,同时在三个数据维度上进行聚类处理,并通过与现有二维模糊联合聚类的对比实验证明了FTC算法具有较好的聚类质量,从而实现对具有特征属性重叠社区的有效划分。该算法同时适用于三维以上的数据结构,为多维数据的聚类方法提供解决思路。