La investigación sobre redes complejas es un tema candente en muchos campos, entre los cuales la detección de comunidades es un proceso complejo y significativo, que juega un papel importante en la investigación de las características de las redes complejas. La estructura de la comunidad es una característica común en la red. Dado un grafo, el proceso de descubrir su estructura de comunidad se llama detección de comunidades. Se han propuesto muchos algoritmos de detección de comunidades desde diferentes perspectivas. Lograr una división comunitaria estable y precisa sigue siendo una tarea no trivial debido a la dificultad de establecer parámetros específicos, la alta aleatoriedad y la falta de información veraz. En este artículo, exploramos un nuevo método de toma de decisiones a través de la comunicación en la vida real y proponemos un modelo de decisión preferencial basado en relaciones dinámicas aplicadas a sistemas dinámicos. Aplicamos este modelo al algoritmo de propagación de etiquetas y presentamos una Detección de Comunidades basada en el Modelo de Decisión Preferencial, llamado CDPD. Este modelo tiene como objetivo intuitivo revelar la estructura topológica y la estructura jerárquica entre redes. Al analizar las características estructurales de las redes complejas y extraer la cercanía entre nodos, se elige la prioridad de los nodos vecinos para realizar la decisión preferencial requerida, y finalmente la información en el sistema alcanza un estado estable. En los experimentos, a través de la comparación de ocho algoritmos de comparación, verificamos el rendimiento de CDPD en redes del mundo real y redes sintéticas. Los resultados muestran que CDPD no solo tiene un mejor rendimiento que la mayoría de los algoritmos recientes en la mayoría de los conjuntos de datos, sino que también es más adecuado para muchas redes comunitarias con estructura ambigua, especialmente redes dispersas.