随着网络的发展，越来越多的互联网用户使用社交网络来记录和分享个人状态，共享文件以及进行交易，当用户需要通过社交网站来获得所需服务时，如果有很多个服务提供者可以提供此项服务，此时用户需要对每个服务提供者给出一个信任评价值，根据信任评价值选择交易对象。社交网络作为一类特殊的应用，其多采用P2P网络拓扑结构，本文的主要工作是研究在采用P2P网络拓扑结构的社交网络中信任度的计算方法。文中首先总结了当前P2P网络拓扑结构中信任度计算的一般模型、方法及一些具体算法，分析了当前信任计算中存在的安全问题。结合P2P网络拓扑和社交网络自身的特性，将信任度计算模型分为两类，一类是在P2P模型中常用的基于交易反馈评价的动态信任模型，另一类是针对社交网络中特有的关系和关系深度以及兴趣相似度的静态信任模型。其次针对信任的时间相关性影响计算准确性的问题以及社交网络中推荐信任值不准确两个问题，分别提出了两种具体算法，同时综合考虑时间衰减因子，惩罚激励因子等多种因素降低算法的复杂性，提高计算的准确性及其抗攻击能力。针对当前已有的信任算法不能很好的表示信任的时间相关性和发展趋势的问题，本文提出了一种基于稳态概率的动态信任预测算法，在转移概率的基础上引入稳态概率来描述信任度的发展趋势，通过加权转移概率和稳态概率，提高了信任度计算的准确性，同时采用基于交易次数的时间衰减因子代替基于均等时间分段的时间衰减因子，降低了算法的复杂度，并通过惩罚激励因子来更好的提高算法的抗攻击能力。最后分析说明了该算法降低了计算的复杂度，同时实验证明了算法在准确性和抗攻击能力方面的提升。针对越来越多基于社区而形成的社交网络，本文提出了基于社区推荐的推荐模型。已有的研究中，对陌生节点的信任计算多根据推荐值来计算信任值，大多推荐模型采用个体推荐，个体推荐可能会由于个体认知的局限或者由于个体的主观原因而造成较大的推荐误差，本文采用节点在一个较小群体即社区中的信誉值作为推荐值推荐给其他用户，由于信誉值较个体信任值更加客观、准确，因此提高了推荐值的准确性，由于社区的规模一般不是很大，信誉值的计算复杂度不高。同时通过社区关联度降低合谋推荐的风险，大大提高了模型的抗攻击能力。最后实验给出了关联社区的选取标准，同时验证了算法在准确性方面的提升。