La estructura de la comunidad es crucial para entender las características de la red, y el método de expansión local ha funcionado bien en la detección de estructuras de comunidad. Sin embargo, hay dos problemas con este método. En primer lugar, solo puede agregar nodos o bordes sobre la base de los grupos existentes, y en segundo lugar, puede producir un gran número de comunidades pequeñas. En este trabajo, ampliamos el método de expansión local basado en grafo ordinario a hipergrafo, y proponemos un algoritmo efectivo de detección de comunidad de hiperred basado en expansión local (LE) y fusión global (GF), denominado HLEGF. El proceso LE obtiene múltiples sub-hipergrafos pequeños al eliminar y agregar hiperbordes, mientras que el proceso GF optimiza los sub-hipergrafos generados por el proceso de expansión local. Para resolver el primer problema, el algoritmo HLEGF introduce los conceptos de vecindario de comunidad y límite de comunidad para eliminar algunos nodos e hiperbordes en hipergrafos. Para resolver el segundo problema, el algoritmo HLEGF establece correlaciones entre sub-hipergrafos adyacentes a través de la fusión global. Evaluamos el rendimiento del algoritmo HLEGF en la hiperred real y seis hiperredes aleatorias sintéticas con diferentes probabilidades. Debido a que el algoritmo HLEGF introduce los conceptos de límite de comunidad y vecindario, y el concepto de una serie de similitudes, el algoritmo tiene superioridad. En la hiperred real, el algoritmo HLEGF es consistente con el algoritmo Espectral clásico, mientras que en la hiperred aleatoria, cuando la probabilidad no es inferior a 0,95, el valor de NMI del algoritmo HLEGF siempre es mayor que 0,92, y el valor de RI siempre es mayor que 0,97. Cuando la probabilidad es 0,95, el algoritmo HLEGF logra una mejora del 2,3% en el valor de NMI, en comparación con el algoritmo Espectral. Finalmente, aplicamos el algoritmo HLEGF a la hiperred de fármaco-objetivo para dividir los fármacos con funciones similares en comunidades.