社區(qū)結構是復雜網絡的重要特征之一，社區(qū)發(fā)現對研究網絡結構有重要的應用價值．K均值等經典聚類算法是解決社區(qū)發(fā)現問題的一類基本方法．然而，在處理網絡的高維矩陣時，使用這些經典聚類方法得到的社區(qū)往往不夠準確．提出一種基于深度稀疏自動編碼器的社區(qū)發(fā)現算法CoDDA（a community detection algorithm based on deep　sparse autoencoder），嘗試提高使用這些經典方法處理高維鄰接矩陣進行社區(qū)發(fā)現的準確性．首先，提出基于跳數的處理方法，對稀疏的鄰接矩陣進行優(yōu)化處理，得到的相似度矩陣不僅能夠反映網絡拓撲結構中相連節(jié)點間的相似關系，同時還反映了不相連節(jié)點間的相似關系．然后，基于無監(jiān)督深度學習方法構建深度稀疏自動編碼器，對相似度矩陣進行特征提取，得到低維的特征矩陣與鄰接矩陣相比，特征矩陣對網絡拓撲結構有更強的特征表達能力．最后，使用“均值算法對低維特征矩陣聚類得到社區(qū)結構．實驗結果顯示：與6種典型的社區(qū)發(fā)現算法相比，CoDDA算法能夠發(fā)現更準確的社區(qū)結構．同時，參數實驗結果顯示，CoDDA算法發(fā)現的社區(qū)結構比直接使用高維鄰接矩陣的基本K均值算法發(fā)現的社區(qū)結構更為準確．