鉴于计算代价高昂的谱聚类无法满足海量网络社区发现的需求, 提出一种用于网络重叠社区发现的谱聚类集成算法(SCEA). 首先, 利用高效的近似谱聚类(KASP) 算法生成个体聚类集合; 然后, 引入个体聚类选择机制对个体聚类进行优选, 并对优选后的个体聚类建立簇相似图; 最后, 进行层次软聚类, 得到网络节点的软划分. 实验结果表明, 与代表性算法(CPM, Link, COPRA, SSDE) 相比较, SCEA 能够挖掘出具有更高规范化互信息(NMI) 的网络重叠社区结构, 且具有相对较好的鲁棒性.