近年来，复杂网络研究得到了迅速的发展，复杂网络广泛地存在于自然界和人类社会中，包括食物链网络、Internet、神经网络以及WWW（World Wide Web）等。这些网络通常具有如下特性：度满足幂律分布、较小的平均路径长度以及较大的聚集系数。现在，除了对网络的拓扑结构进一步探讨之外，越来越多的研究者开始关注复杂网络拓扑结构与其上发生的动态性之间的相互联系。本论文的主要贡献在以下两个方面：首先深入研究了复杂社会网络中扩散最大化问题，即：如果我们能够说服一部分用户采用某种新行为（或新产品），基于特定的扩散模型，如何选择这些有影响力的用户（称为种子用户），使行为扩散最大化？本文提出了类似Pagerank的启发式的种子节点选择算法，该算法中采用影响力折扣机制来缓解行为扩散中存在的“重叠效应”。然后，我们利用人工产生的社会网络图（具有幂律度分布和小世界特性）以及真实的社会网络结构，对提出的算法进行仿真验证。结果表明，我们提出的Pagerank类似的启发式算法在性能上优于已有的基于度的启发式算法（DegreeDiscount），且性能与贪婪式算法相匹配。鉴于在复杂社会网络中，存在大量的用户之间相互影响相互协调并做出决策的事例，本文深入研究了基于平均场理论的复杂社会网络中行为扩散模式。具体而言，本文首先设计了特定的扩散模型，该模型考虑了采用某行为的邻居节点绝对数目、相对比率以及节点的总邻居数目对该节点选择行为的影响。然后采用平均场理论对扩散过程进行分析，研究了网络结构对行为扩散的影响，最后从理论上得出了如何选择门限值使新行为能够在社会网络中大规模传播成为可能。