近年来,随着互联网的飞速发展,在线社会网络不断与传统人际网络相融合,人人网,新浪微博等基于同学关系或者关注关系的社会网络是这类融合社会网络的代表,社会网络的信息传播的研究也随之逐渐兴起。其中挖掘网络中具有影响力的节点可以抑制或加速网络中信息的传播和扩散。将挖掘的top-k节点作为已知种子节点集合,通过一定的传播策略最终达到影响力最大化。因此对于信息的传播形式及扩散机制——信息传播模型的研究对于了解现实生活中信息扩散问题,研究社会网络中的信息传播具有非常重要的意义。本文根据以下两个方面对社会网络信息传播问题进行研究:第一,对现有的社会网络节点影响力挖掘算法中比较经典的三个中心性算法进行研究。其中度中心性算法简单、计算效率较高,但是由于算法考虑的网络信息单一,所以同节点影响力相关性低。而中介中心性算法和接近中心性算法是基于全局信息的,即网络最短路径,导致时间复杂度非常高,并不适用于具有大量用户和关系的在线社会网络。所以本文通过研究上述几种中心性算法,提出了一种节点影响力相关性高并且时间复杂度比较低的中心性算法——局部重要中心性算法。该算法基于网络中节点及其邻居节点的局部重要性对节点进行影响力评估,最后通过在SIR传染病模型上对top-k节点进行传染病传播模拟实验,验证本文提出的中心性算法能够更准确的挖掘影响力节点。第二,本文通过研究经典的独立级联模型,得出该模型在传播过程中存在一些不符合现实信息扩散的问题,提出了一种基于时间限制的浮动概率级联模型(TF-IC)。该模型的思路是:首先,在一次影响节点失败后,在一定的时间限制内会持续激活该节点,直到节点被激活或者到达时间限制;其次,不论每次激活节点成功或者失败,都会根据本次传播结果的正反馈或负反馈对影响概率进行调整。对于模型的这两点改进使得信息能够传播的更广,对比实验验证了本文提出的模型具有良好的传播性。