微博是最近几年才发展起来的新兴事物,它是互联网领域的一个里程碑,微博的出现彻底改变了人们的日常行为方式。微博自诞生以来就凭借其操作简单和功能实用等优点迅速吸引了数量庞大的用户群。微博信息传播属性的研究可以从用户关系网络、信息传播网络和传播机制三个方面出发。微博中用户是微博的主体和核心,用户之间的“关注”和“被关注”关系形成了一个关系网络,显然,这个网络是有方向的。网络是信息传播的载体,每一个消息帖子的传播都需要借助该网络。本文首先介绍了微博的一些基本知识,包括微博的概念、国内外的研究现状、发展历程、主要应用和研究关键问题等。微博是一个复杂的系统,包含了意思不同的各种各样的特殊符号。它的复杂性还体现在用户、微博消息和使用动机的多样性,本文对用户和消息进行了分类。信息之所以能够在微博系统迅速传播,主要依靠其自身的传播动力,因此微博传播动力的研究对深层次地揭示微博特征非常的重要。微博用户间的关系组成一个静态网络图,可尝试从对复杂网络研究的角度去研究微博信息传播网络。本文在大量用户关系的数据基础上,构建了一个庞大的网络,利用VC++、Gephi和MATLAB等多种工具分析了网络的度、聚类系数、平均路径长度、K-核心和社区等特征值,验证了微博信息网络具有小世界、无标度的特征,并且其入度和K-核的分布图具有幂律分布的特点,这为后面模型的构建和改进提供了理论依据。在特征值相关性分析中,发现特征向量中心度与聚类系数间的相关系数很大,它们的关联度很高,这都是衡量网络中心性的指标。度与图密度间的关联度也相对较高,而度与特征向量中心度、聚类系数关联度较低,说明如果一个网络的度很大,它的图密度也一般很大,但中心性可能不强,“小世界现象”也就不明显。在信息传播网络上,提出了三种微元结构,通过实验得出信息分散结构的数量最多,并且随着实验信息链的增多,其数量也逐渐增多。SI模型、SIS模型和SIR模型是疾病传播研究领域经典的模型,曾经为一些流行病的控制起到了决定性的作用。这三种模型主要针对的是生活中疾病的传播,而疾病的传播与微博上的信息传播有所不同,比如疾病的传播受天气、气候等环境因素的影响,而微博信息的传播受用户心情、生活状况的影响。本文构建了一种符合微博信息传播网络的IOSIR模型,该模型考虑到系统的输入和输出情况,通过四组不同数值的模拟仿真,发现该模型能较准确地揭示微博的信息传播过程。