社会网络已经逐渐成为人们在日常生活中不可或缺的媒介，所有用户都能通过社会网络获取和传播信息。具有影响力的用户能够加速信息的传播、快速地吸引大众的关注。识别有影响力的用户在市场营销、产品推广、舆论控制以及病毒传播等领域得到了广泛的应用，并带来了巨大的经济效益。如何在大型社会网络中对用户的影响力进行量化并挖掘具有影响力的用户，以及如何选取在网络传播过程中具有最大传播范围的K个种子用户等问题具有重要的研究价值。　　以网络拓扑结构的研究为基础，分析传播概率与邻居节点传播能力等因素，设计了一种基于邻域加权度的节点影响力度量方法WDN（Weighted Degree of Neighborhood）。WDN度量考虑了节点在两步之内的传播能力，提高了节点影响力度量的准确性。针对存在高度聚合团体的网络，基于节点的k-shell层对邻域的连通性展开分析，给出了一种考虑节点连通性的邻域加权度的节点影响力度量方法WDC（Weighted Degree of Neighborhood Considering Node Connectivity）。实验结果表明，WDC度量可以有效缓解由于节点间高度连通而造成的度中心性与实际影响力差异较大的情况。　　针对现有影响力最大化算法在大规模网络中运行效率低的问题，提出了一种基于邻域的两阶段启发式影响力最大化算法TPH（A Two-Phase Heuristic Algorithm for Influence Maximization Based on Neighborhood）。首先，在影响力评估阶段，TPH算法使用高效的WDC度量方法代替耗时的Monte-Carlo模拟对节点的影响力进行估计。然后，在种子节点选取阶段，使用贪心策略将具有最高WDC值的节点加入种子集合，并更新邻居节点的WDC度量来缓解影响力重叠的问题。实验表明，TPH可以在影响范围不下降的情况下，较大程度地提升算法的时间和空间效率。