当前,随着社交网络的普及和繁荣,社交网络上的病毒营销越来越受到学术界的关注。影响力最大化（Influence Maximization,IM）问题衍生于网络营销,旨在从社交网络中找到k个最有影响力的个体来最大化影响力传播范围,近年来众多学者投入了大量的研究来解决该问题。现有的研究工作大都基于一个假设,即受影响的个体必然会尝试将信息进一步传播给他们的邻居。然而,在现实世界中这种假设可能过于简单化,因为并非所有采纳了信息的个体都会选择将信息传播出去,而忽略这一点可能会对影响力传播范围估计产生重大偏差,导致问题求解结果不准确。针对上述问题,本文从理论和算法层面系统开展研究,并通过真实数据集进行实验验证,具体工作如下:首先,本文在经典的IM问题基础上,提出一个新的采纳影响力最大化（Accepted Influence Maximization,AIM）问题用以刻画上述现象。其中受影响的用户被进一步分为两类,即处于采纳状态的用户和处于激活状态的用户,只有处于激活状态的用户会继续传播信息。接着,本文提出了两种新的传播模型,即采纳独立级联模型（AIC）和采纳线性阈值模型（ALT）来描述影响力的传播过程。然后,本文进一步证明所提出的采纳影响力最大化问题为NP-难问题,且现有方法无法直接解决该问题。基于一种新颖的边着色方案,本文从理论上证明了该问题的目标函数在两种新的传播模型下具有子模特性,并提出了具有最优解的（1-1/e-ε）近似保障的贪心算法。考虑到贪心算法的计算低效性,为了在大规模网络上求解该问题,本文进一步提出了两种基于影响路径的可扩展算法AMIA（针对AIC模型）和ALDAG（针对ALT模型）。为了在确保近似保障的前提下进一步提升算法的运行时间效率,本文提出了一种基于有效路径反向影响力采样的高效算法ARIS,该算法也同时获得了（1-1/e-ε）的近似保障,并且适用于两种新的传播模型。最后,本文在多个不同规模的真实社交网络数据集上进行了实验,实验结果表明本文的算法在影响力传播范围和运行时间效率上相较于基准算法都有了明显提升。