1.一种基于边分类的社区检测算法，其特征在于，包括：S1、基于构建的边‑图像转换模型将网络中的每条边转换构造成图像，其具体包括：S1.1、求出网络G一条边两个端点a,b的一条邻居节点集合N(a)和N(b)；

S1.2、计算两个邻居节点集合的交集N_b(a，b)＝N(a)∩N(b)；

S1.3、将两个集合的元素计数|N(a)|和|N(b)|分别作为图像矩阵的行和列构造边的图像矩阵；

S1.4、若矩阵中的某个行和列对应的节点在集合N_b(a，b)中，则该元素为G：[0,255,

0]；若元素的行和列构成的边在网络中，则该元素为R：[255,0,0]，否则元素为B：[0,0,

255]；

S2、采用参数训练好的深度卷积神经网络对S1构造的图像进行分类，并去除网络中对应的边、以简化网络；

S3、重复步骤S1‑S2一次后进入步骤S4；

S4、采用前序遍历算法对简化后的最终网络进行遍历，将不连通的子图划为每一个独立的社区，得到初步的社区结构；

S5、结合局部模块度R将部分社区进行合并，得到优化的复杂网络社区结构；

假定已知需要检测网络的社区数量为m，将得到的社区中局部模块度最大的前m个社区作为真实社区，其余的作为虚拟社区，并将虚拟社区通过局部模块度R方法即社区结构局部模度量方法合并到真实社区中；

S5的具体步骤包括：

S5.1、根据已知社区数量m，将得到的社区中局部模块度最大的前m个社区作为真实社区，其余的作为虚拟社区；

S5.2、计算所有真实社区的局部模块度Ri，i∈RC；

S5.3、取虚拟社区中的一个社区Vcomm依次与真实社区中的社区Rcomm进行合并，计算合并后社区的局部模块度ri，i∈RC，其中，Vcomm为虚拟社区序列Vcom(1),Vcom(2),…,Vcom(k)中的一个社区，Rcomm为真实社区序列Rcom(1),Rcom(2),…,Rcom(k)中的一个社区；

S5.4、计算△R＝ri‑Ri,选取使△R最大的real comm与Vcomm进行合并，其中，real comm为真实社区序列Rcom(1),Rcom(2),…,Rcom(k)中使△R最大的社区；

S5.5、重复步骤S3‑S4，直到虚拟社区为空。

2.根据权利要求1所述的基于边分类的社区检测算法，其特征在于：将网络模型中节点和节点之间存在的连接、自反、不连接的三种关系定义为一个三维向量，其中每一维代表节点与节点之间的一种关系。

3.根据权利要求1所述的基于边分类的社区检测算法，其特征在于，所述步骤S2中采用面积插值裁剪方法，将步骤S1生成图像分别构造成N×N×3的图像，实现任意大小二维矩阵向固定大小二位矩阵的转变，并作为深度卷积神经网络的输入尺寸：matr(x，y，3)→IMG(N，N，3)其中，x，y为任意值，N为深度卷积神经网络的输入值大小。

4.根据权利要求1所述的基于边分类的社区检测算法，其特征在于，所述步骤S2中采用AdaGrad作为梯度下降的方法，图像分类的网络在训练过程中的BatchSize为40，随机初始化所有参数的值，并且以初始0.0001的学习速率来训练网络。

5.根据权利要求1所述的基于边分类的社区检测算法，其特征在于，所述步骤S2中采用Benchmark生成用于训练的LFR网络数据：使用Benchmark随机生成10个LFR网络，其中节点数为128，平均度为16，最大度为50，混合度为0.5，社区数量为4‑7；并根据步骤S1边‑图像转换模型将所有网络的边构造成图片，并为每张图片打上标签作为训练数据。