近年来随着社交网络OSN（Online Social Network）的不断兴起,微博平台也日渐成熟。随着大量用户的涌入,恶意营销用户也随之而来。恶意用户将商品信息在社交网络中大肆传播,诱导用户购买以从中获利。其行为严重污染微博社交环境,影响用户体验。如何从用户量巨大的微博平台中识别出恶意营销用户,一直是恶意用户识别领域需要精细化处理的问题。目前该领域的研究中大多采用集成学习算法。使用人工选取的特征训练模型,而这些方法都不能很好兼顾Stacking组合基分类器的多样性和准确性。另外,结合微博的实际情况发现,恶意营销用户可以细分为营销内容生产者和代理型营销用户。后者的用户属性特征与正常用户接近,因此目前的机器学习算法仅能从特征角度充分识别前者,而对后者无效。该类研究还存在样本偏态分布问题,模型会更偏向多数类。而该类任务应当以召回更多少数类样本为最终目的。论文主要工作包括:（1）提出基于分类精度与主成分特征排序的基分类器融合模型（FI-RankedEMCS）。使用熵值度量个体样本分类精度;通过特征重要性评估,选出每种机器学习模型的主成分特征集,将斯皮尔曼相关系数和成对测度相结合用于评估模型间主成分特征集的差异性,由此保证组合基分类器的多样性。将误分类代价融入决策树节点分裂的信息增益中,用于构建代价敏感决策树,并从中提取多数类与少数类样本的对比模式,构建对比模式分类器Contrast Pattern Cost-Sensitive Decision Tree（CP-CSDT）,并将其作为元学习器处理样本偏态分布问题。（2）通过用户-用户、用户-博文、博文-博文三条关系链路构建营销关系网络（RN）,将两类恶意营销用户关联起来,使用邻接矩阵将实际问题转化为数学模型,以Stacking模型识别出来的恶意营销用户作为关系图中的已知标签,使用半监督方式对未知标签预测,从而将代理型营销用户识别出来。（3）实现两类模型的搭建与验证,将实验数据用于使用本文新提出融合策略的Stacking模型中,其正确率达到86.3%,召回率达到57.6%,均优于其他随机组合方案。将结合主成分特征差异的基分类器融合模型,与仅使用分类精度作为融合策略的模型对比,当人为调整训练样本数据,弱化某些特征在训练样本中的分布时,前者在召回率上有更好的表现。使用CP-CSDT算法作为元学习器的集成模型准确率达到47.8%,召回率达到68.7%。均优于其他算法元学习器的性能。得出CPCSDT算法可以处理数据不平衡问题。改变训练集正负样本比例,发现其对极度不平衡数据集具有较好的模型稳定性。调整关系网络中不同营销组织已知标签比例,发现其性能依赖于已知标签样本,但可在不过多损失准确率的情况下,召回更多正类样本,且不会过多影响负类样本的识别度。