社區結構是復雜網絡的重要特征之一，社區發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發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往往不夠準確．提出一種基于深度稀疏自動編碼器的社區發現算法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發現的準確性．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點間的相似關系，同時還反映了不相連節點間的相似關系．然后，基于無監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結構．實驗結果顯示：與6種典型的社區發現算法相比，CoDDA算法能夠發現更準確的社區結構．同時，參數實驗結果顯示，CoDDA算法發現的社區結構比直接使用高維鄰接矩陣的基本K均值算法發現的社區結構更為準確．