随着社交网络的蓬勃发展，信息呈现爆炸式的增长，我们随之步入了大数据时代。为了更好地挖掘社交网络的潜在价值，众多学者都对之进行了各方面的研究。那么，如何充分地利用社交网络中的信息并对之进行有效地控制和引导？如何深入地了解信息的扩散机制？如何正确预测社交网络中的用户行为？对之行之有效的一个研究方向就是构建准确、可解又唯美的信息扩散模型。微博(Micro-blog)，作为一种新型的社交网络平台，有传统社交网络的共性也有其个性。目前，有关微博网络的信息扩散模型研究，综合考虑信息内容、用户及网络结构的研究屈指可数。再者，既考虑信息间的“竞争关系”又考虑“合作关系”，且基于统计概率的多信息扩散模型则基本没有。鉴于此，本文提出了微博网络中基于隐马尔科夫理论的信息扩散模型(IDMBHMT)和基于条件随机场的多信息扩散模型(MIDMBCRF)。首先，本文综合研究了微博网络信息扩散的特点及影响因素、隐马尔科夫理论、条件随机场理论以及本文相关的特征函数定义方法（自动中文文本分类、用户相似度度量以及多信息交互的量化方法），构建了微博网络中基于隐马尔科夫理论的信息扩散模型(IDMBHMT)和基于条件随机场的多信息扩散模型(MIDMBCRF)；其次，本文使用METIS工具对微博用户关系网络进行子图划分，并基于子图进行模型的构建，以此优化模型的性能；再者，本文使用Junction tree算法将模型应用于用户的转发行为预测；最后，使用新浪微博API(Application Programming Interface)抓取实验数据进行仿真实验。实验分析了两个模型的性能影响因素：图划分技术提高了模型的性能，且当子图规模为48时，两个模型的性能达到峰值；“多信息交互”以平均43%的概率对MIDMBCRF模型的转发概率产生影响。在网络规模分别为120、240和400的情况下，将IDMBHMT模型及MIDMBCRF模型分别与基于逻辑回归的转发行为预测模型(RPMBLR)及基于LT(Linear-Threshold)的多信息扩散模型(MIDMBLT)进行性能对比，四个模型的性能由高到低排序为：MIDMBCRF、IDMBHMT、RPMBLR、MIDMBLT。本文所构建的两个信息扩散模型，不仅可以应用于用户行为预测和舆论引导，而且其研究成果对其他相关学科研究存在借鉴意义。