在线社交网络已然成为社会关系维系与信息传播的重要渠道和载体。影响力最大化是社交网络的研究热点之一,对信息扩散、专家发现、推荐系统等应用意义重大。对于给定的传播模型,选择具有最大影响力的用户作为种子节点,可以最优化传播的速度与广度。众所周知,用户的影响力（体现为用户的地位、阶层）评估是影响力最大化研究的核心问题,即找到在线社交网络中最具话语权的用户,如微博的“大V”用户。探究影响用户地位、阶层的因素进而变得尤为重要。因此,获取用户影响力与网络结构之间的非线性联系,构建在线社交网络中用户地位与阶层分析模型,基于对抗攻击,探索用户影响力与网络结构相互影响的规律亟待研究。本文在社交网络的用户影响力对抗攻击方面做了以下工作:（1）以提高或降低在线社交网络中已有节点的社会地位为目标,基于对抗攻击,结合深度学习,提出了一个用户社会地位评估算法和一个对抗攻击算法。社会地位评估算法采用两个均值聚合器对来自邻居节点的正影响力和负影响力分别进行聚合,再由一个全连接层拼接获得节点地位的综合影响力,从而得到节点的社会地位排名。对抗攻击算法首先将攻击目标建模为一个优化函数,考虑攻击预算与攻击隐蔽性的约束,对网络结构进行修改,生成干扰图,基于社会地位评估算法对干扰图的评估结果,迭代获得满足攻击目标的干扰图,最终实现攻击目标。在7个公开数据集上的实验与性能分析证实了该攻击算法的有效性。（2）以提升在线社交网络中新用户的阶层为目标,立足邻居节点对用户的影响力差异,聚焦目标阶层,提出了一个用户社会阶层评估算法和一个对抗攻击算法。社会阶层评估算法首先将目标节点的邻居区分为正影响邻居与负影响邻居,再基于深度学习,获得用户的社会阶层。对抗攻击算法首先选定目标阶层的特定用户作为模拟对象,再分析该模拟对象的邻域影响力情况,选取模拟对象的更强正影响邻居与更弱负影响邻居,基于对抗攻击,将模拟对象与所选取邻居之间的关系复制给目标节点,同时满足攻击预算约束与攻击隐蔽性约束,迭代获得满足攻击目标的干扰图,最终提升目标节点的社会阶层。在7个公开数据集上的实验与性能分析证实了该攻击算法的有效性。