近年来,复杂网络社区发现已成为计算机科学、生物学、社会学等多个领域研究热点之一。如何准确、高效地发现这些复杂网络中存在的具有社区特性的系统结构分布,是一个值得深入研究的问题。现有的社区发现算法大多存在流程复杂,参数多,时间复杂度高等问题。为快速准确地发现大规模网络中社区结构,本文在研究了目前多种典型的社区发现算法中的启发策略、社区合并计算方法、网络的社区结构划分优劣评价方法等基础上,提出一种基于中心节点和信息熵损益的层次贪婪社区发现算法。该算法迭代地选取拥有最多邻居节点的节点(即节点度数最高的节点)作为中心节点,然后结合其邻居节点组成初始小社区,依次找到能覆盖整个网络节点的最少初始小社区,同时计算相邻小社区合并前后信息熵损益。每次合并两个具有最少信息熵损益的小社区,并更新合并过程中其他小社区信息熵,同时以模块性Q值的作为小社区的最优合并序列评价函数,获得全局最大Q值的社区结构分布即最优结果。为评估算法性能,本文首先分析了算法的时间复杂度,结果表明它与网络初始划分的相邻社区对数目成线性关系。然后,将算法应用于随机网络和几组真实网络。实验结果表明,与当前已有许多经典算法相比,该算法不仅精确度较高,而且时间复杂度也近似为线性。