随着移动互联网时代的到来,以微博为代表的社会化媒体成为热点信息传播的重要平台。同时,网络中活跃的大量水军用户受利益驱动,散布网络谣言与虚假信息,严重干扰正常的网络秩序,影响社会和谐稳定。目前,针对微博网络中水军用户识别的研究,主要存在以下问题：(1)传统传播模型刻画不够准确,无法有效发现水军的存在；(2)网络水军隐藏策略的升级,使传统基于内容与基于行为的识别方法对新型水军识别准确率低；(3)微博用户数据存在海量高维问题,同时现实中常伴有数值缺失,使得现有算法无法实现高效检测。针对以上问题,本文从微博网络结构与传统信息传播模型入手,分析了影响网络信息传播的几大因素,建立一种基于局域信息的微博网络信息传播模型,并通过分析正常传播与水军鼓动的非正常传播的差异,实现对水军群体的定位。然后通过对传播者用户关系网络的分析,提出一种融合关系图特征的微博水军识别方法,对新型微博造势水军有更好的识别效果。最后,为解决微博用户数据的海量高维性对识别时间的挑战以及存在的数值缺失问题,提出一种基于MapReduce随机森林的微博水军识别算法,提高对网络水军的识别效率。主要工作和研究成果如下：1.针对传统传播模型刻画不准确的问题,提出一种基于局域信息的微博网络信息传播模型。该模型中引入网络结构中的局域信息,同时考虑到每个传播者的影响力差异,从而细粒度展现信息传播过程,通过观察微博网络中用户个体对传播路径的影响,发现网络中掺杂水军干扰的非正常信息传播,为微博网络中的水军识别和管控防范策略的制定奠定基础。2.传统基于用户内容特征和行为特征的识别方法对新型造势水军识别率低,针对该问题,提出一种用户关系图特征表示与提取方法,并在贝叶斯网络、C4.5决策树和朴素贝叶斯三种常用的机器学习框架下融合包括关系图特征在内的多种特征识别水军用户,通过实验验证了方法的有效性。仿真结果表明,添加关系图特征后对水军账号的识别准确率、召回率提高5%以上,从而验证了关系图特征在水军识别中的有效性。3.针对水军识别中存在特征项缺失和用户数据量庞大的问题,提出一种基于MapReduce随机森林的微博水军识别算法。利用随机森林算法的随机性解决水军识别中的过拟合和特征项的数值缺失问题；通过采用MapReduce模型实现算法的并行化,提高对水军数据的处理速度,以更好的满足舆论热点事件中对水军检测的实时性要求。仿真实验表明,该算法可以获得近似线性的加速比,有效提高水军识别的时间效率,同时对数据缺失问题有较好的鲁棒性,较RBF神经网络、贝叶斯网络算法准确率提高10%。