谣言溯源对于社交网络中很多实际应用具有重要意义。借助事先选取的监视节点能够快速、准确地找到信息源头,因此受到了诸多研究者的关注。目前,基于监视观测的溯源研究仍存在一些尚需解决的问题:首先,监视节点的选择策略过于简单,大多采用度、中介中心性,甚至随机策略,导致监视节点选择不准确;其次,不少多源溯源方法仍需事先设定源节点数量。如何准确估计源节点的数量仍然是一项具有挑战的任务。针对上述问题,本文进行了以下三个方面的研究。首先,提出了基于影响力最大化策略的监视节点选择算法。监视观测的全面性、准确性依赖于所选监视节点对整个网络的覆盖能力。本文借鉴影响力最大化思想进行监视节点选取。影响力最大化旨在发现网络中最具影响力的种子节点集合,使得信息从种子节点传播出去之后,影响到的范围最大。既然这些种子节点可以将信息大范围传播,反过来,通过它们也很容易监测到来自网络各个方向的传播信息。真实网络和人工网络上的实验结果表明,本文提出的基于影响力最大化策略的监视节点选取算法能够确保所选监视节点对网络的覆盖能力,从而提升了溯源准确性。其次,提出了基于监视观测的单源溯源算法。该算法利用影响力最大化策略选取监视节点;然后,在单源溯源过程中既考虑感染节点到监视节点距离和监视节点感染时间的Spearman相关系数,又利用接近中心性进一步区分Spearman相关系数相等情况下的源节点定位。同时,为了优化溯源的时间消耗,使用离心率对感染节点进一步筛选。真实网络和人工网络上的实验结果表明,基于监视观测的单源溯源算法提高了溯源的准确性;加入离心率后,不仅减少了溯源的时间,而且减少了错误距离。最后,提出了基于监视观测的多源溯源方法。该算法利用影响力最大化策略选取监视节点;然后,采用监视节点划分的方法划分感染网络并判断感染网络中源节点的数量;最后,在划分后的感染网络中使用基于Spearman相关系数和接近中心性的算法定位源节点。真实网络和人工网络上的实验结果表明,本文算法不仅能准确地估计源节点的数量,而且能以较小的错误距离定位源节点,性能优于现有方法。并且,随着网络规模及结构特性的变化,本文算法性能稳定,表现出较强的鲁棒性。