在真实世界的网络中往往存在着大量的社区结构,在大型网络中搜索特定节点所在社区的问题称为社区搜索问题。在社会网络、蛋白质交互网络、协作网络等真实的网络中,节点往往是带有属性值的,所以属性社区搜索的实际应用更为广泛和重要。影响力是网络中根据传播模型计算的节点之间的传播概率,即节点之间的影响程度,它在一些场景中有着重要的应用,比如冷启动的社区推荐问题、趋势监控问题等。但在现有的属性社区搜索研究中很少考虑到影响力的因素。大多数社区搜索方法没有综合考虑社区结构紧密性、属性聚合性以及社区影响力程度等因素,仅考虑属性的社区搜索无法保证社区的向外扩展性;仅考虑影响力的社区搜索无法保证社区的属性聚合性。另外,现有的方法也不适用于以新节点作为查询节点进行社区搜索的情况。针对上述问题,本文研究了一种基于影响力的属性社区搜索方法,在社区搜索中综合考虑了影响力与属性,论文的主要工作内容以及创新点如下:首先,本文提出一种综合考虑社区内影响力和社区内节点属性聚合性的属性pkd-truss社区模型,该模型定义了社区内节点与查询节点的最大路径影响力阈值p和（k,d）-truss的结构要求。该模型为后续进行社区搜索提供了基础。其次,本文提出一种基于影响力的属性社区搜索方法。在给出基于影响力的属性社区搜索问题的形式化定义基础上,详细阐述了方法的基本思想和具体步骤,并进行了算法的复杂度分析和比较讨论。该方法采用一种图精剪方法来移除原始图中与查询节点影响力相关度小的节点,大幅度地节省了后续的搜索过程所花费的时间,适合在大型网络中有效地进行影响力属性社区的搜索。该方法还采用了一种综合评估社区外影响力与属性聚合性的评分函数,可以对搜索过程中的候选社区进行评估,并通过贪心思想迭代地搜索具有最高评分值的pkd-truss社区。另外,还给出一种top N社区排序算法,能够输出最优的前面N个社区,为属性社区搜索问题提供了一种解决方案。最后,采用带有真实社区结构的Amazon、DBLP等数据集进行实验,对实验结果进行了比较、分析与讨论,并验证了本文所提模型和方法的正确性和可行性。