在社会中存在各种各样的网络,例如:人际关系网,社交网络,互联网,交通网络等。随着科技的进步与发展这些网络也变得日益复杂,尤其在互联网较为发达的今天,这些网络中的关系越来越明显,网络拓扑结构的演变也越来越剧烈,对这些网络的研究也成为了学术界的焦点,尤其在信息的传播和广告的投放等方面愈加热门。因此,对社会中这些网络的基本特征、网络中传播动力学的规律和网络拓扑结构演变过程进行深入的学习和研究具有重要的意义。影响力最大化算法的研究,目的在于寻找一种高效低廉的策略选择一组满足给定大小的集合作为种子节点集,在一定的传播模型下,可以使得种子集合影响力传播的覆盖范围达到最广。影响力最大化问题的研究不仅对复杂网络理论研究有着重大的意义,而且在产品推广、信息传播、舆论控制等方面有着广泛的应用前景。近年来对影响力最大化算法研究也相当广泛,其中较为热门的算法,一类是基于贪心策略的算法,另一类是基于启发式的算法。基于贪心策略的算法有着较高的准确率,但其时间复杂度非常高,不适于大型网络的计算;基于启发式的算法有着优异的运算效率,但其鲁棒性不强,准确率较低。为此,本文以社会网络为研究对象,分析对比了基于中心性算法对求解影响力最大化问题的优势和可行性;针对单一中心性在评价节点时存在的缺点进行优化,以弥补在基于单一中心性算法中选择的种子节点对网络拓扑结构严重依赖的问题;并针对基于中心性算法存在局部最优问题,利用网络的社团结构对算法进行改进,以满足问题对全局性的要求。本文的具体工作概述如下;首先,在启发式算法中,使用单一中心性指标选择种子节点时会对网络的拓扑结构严重依赖,基于单一中心性指标选择的种子集合其影响力传播受限于网络的某一拓扑特征,而这使影响力的覆盖范围损失较大,针对这一问题本文综合介数指标和度指标提出了新的节点评价指标,使得在影响力最大化问题中选择种子节点时,对节点影响力的评价更为准确,同时提高了影响力在网络中传播的范围。针对在种子节点选择过程中节点之间存在的影响力重叠的问题,文中结合新的节点评价指标提出基于介度指标的折扣策略,用以解决因影响力重叠而引起的影响力损失的问题。其次,针对基于介度指标的评价算法在解决影响力最大化问题时,由于节点的介度指标为网络的局部特征而存在局部最优问题,本文利用复杂网络中的社团结构,对基于介度指标的评价算法进一步优化,通过社团结构的系统性使得算法在种子节点的选取中兼顾到全局,避免了局部最优的问题。然后,针对基于社团结构的介度指标评价算法存在鲁棒性不强的问题和基于贪婪策略算法的时间复杂度过高问题,本文利用贪心策略并通过缩小种子节点的搜索范围,提高了基于社团结构的介度指标评价算法的鲁棒性,同时减少算法的运行时间。最后,在7个公开的复杂网络数据集上对提出的算法进行大量的实验验证,并通过与其它经典的影响力最大化算法进行对比,证明了算法求解影响力最大化问题的有效性和高效性。