近年来,很多学者已经提出了一些半监督社区发现方法,这些方法通过将潜在有用的先验信息（尤其通过主动学习方法获取的先验信息）与网络拓扑结构相融合从而提高社区发现的性能和精度。但是这些方法在融合的准确率和高效性方面存在较大的不足,基于此,本文对半监督社区发现方法进行改进,改进的创新点主要包括以下两方面:（1）针对已有半监督社区发现方法准确率低的缺陷,本文提出了基于约束矩阵的半监督社区发现算法MCSNMF。该算法通过构建must-link约束矩阵保证通过约束的节点最终能被划分到相同的社区中,从而提高了半监督社区发现的准确率。该算法首先根据cannot-link约束信息对初始邻接矩阵进行优化;然后利用must-link约束信息构建约束矩阵;接着构建映射矩阵,将约束集合映射到社区结构中;最后利用非负矩阵分解思想构建优化的目标函数并通过对映射矩阵的不断迭代优化得到最终的社区结构划分。实验部分将该算法与其基算法SNMF和已有的四种半监督社区发现方法Zhang、Zhang＿Eh、MMGG＿ML、MMGG＿ML（C）应用于人工基准网络和真实网络,使用NMI和AC两个评价指标,结果显示MCSNMF能更准确地挖掘出社区结构。（2）在具体社区发现过程中,网络中节点重要性程度是不同的。对于一些网络,重要性节点是很容易可以得知的,利用MCSNMF算法可以有效提高社区发现准确率。但是,如果这类节点未知,就需要通过高效的方式把这些节点挖掘出来。通过主动学习可以获取网络中有意义的节点,继而对这些节点进行约束来提高半监督社区发现性能。因此,本文提出了一种基于线性表示机制的半监督社区发现算法AL＿MCSNMF。相比于MCSNMF算法使用的随机选择机制,AL＿MCSNMF使用节点线性表示机制,并且将该机制与MCSNMF进行融合从而使半监督社区发现算法更高效。该算法首先通过线性表示机制得到网络理想的拓扑结构;然后构建真实拓扑结构与理想拓扑结构之间差值的目标函数,并且通过对目标函数不断优化获取网络中的关键节点;最后对关键节点进行must-link约束和cannot-link约束得到先验信息继而进行MCSNMF。实验部分将该算法与MCSNMF应用于人工基准网络和真实网络,同样使用NMI和AC衡量社区挖掘结果,通过实验表明AL＿MCSNMF相比MCSNMF性能更好。