快速发现社区网络中不同进化模块的功能密度对研究网络具有重要意义。然而，由于迭代过程中只合并模块化增量最大的社区，其收敛速度受到限制。此外，在社区合并的过程中，过分强调了社区之间的联系强度，忽略了社区之间的相似性，其划分结果的准确性也受到了限制。为了解决上述问题，提出了一种基于加权模度增量的分层社区发现算法。该算法引入了社区相似权重，并结合模度增量构造了加权模度增量。通过优化加权模度增量，划分层次结构。同时，在社区划分过程中引入可调合并阈值，动态调整每次迭代中合并的社区个数，优化算法的收敛速度。在真实数据集汽车和不同尺度的人工数据集上的实验结果验证了该方法的正确性和有效性。