复杂网络可以对现实中的复杂系统进行抽象,能够对其内在机制和运行规律进行刻画。作为复杂网络分析的一个重要方向,影响力最大问题被定义为在网络中寻找影响力最大的k个种子节点进行信息传播,并使得这些种子节点的总影响范围最大。影响力最大化问题在专家发现、病毒营销以及谣言控制等领域具有重要意义,因此受到了不同领域专家们的关注。到目前为止,学者们已提出了大量算法以解决影响力最大化问题,其中,基于投票机制的Vote Rank及其改进算法能有效地在网络中提取有影响力的节点,并使选择的节点分布于网络的不同区域。然而Vote Rank及其改进算法往往忽略了节点的多样性和自投票权力,导致了种子节点选取的精确度还有待进一步提升。针对上述问题,本文提出了两个新的改进投票算法Vote Rank++和Vote Rank*算法。（1）结合节点多样性的改进投票算法Vote Rank++。Vote Rank算法在定义节点的投票能力以及投票时忽略了节点的多样性,为每个节点定义了相同的投票能力,并在投票时向节点的每个邻居投出了相同的票数。然而,节点因其多样性而具有不同的投票能力,且节点与其每个邻居之间的关系也不尽相同,因此每个节点应根据联系的紧密程度向其邻居投出不同比例的票数。受此启发,在Vote Rank++算法中我们结合了节点的多样性改进了Vote Rank算法,使其能更有效的解决影响力最大化问题。由于融合了节点的多样性,因此相比于对比算法,Vote Rank++在速度和效率上都得到了提升。实验结果表明,相较于其他8个基线方法,Vote Rank++在12个网络上都有着更好的精度和稳定性。（2）结合自投票机制的改进投票算法Vote Rank*。由于在Vote Rank算法及其改进算法中,节点在投票时仅向邻居发起投票,忽略了节点自身的重要性。为了解决Vote Rank之类算法的这一缺陷,在Vote Rank*算法中我们首次提出了自投票思想,认为在投票过程中节点可同时向其邻居及自身发起投票,考虑了节点本身的重要性。其次,Vote Rank*结合节点的H-index值重新定义了节点的投票能力以及投票比例,并在抑制种子节点的邻居节点的投票能力时设计了新的抑制策略,加强了算法的精确性和鲁棒性,消除了参数对算法的性能影响。实验结果表明,相较于其他9个基线方法,Vote Rank*在12个网络上都具有更好的精度和稳定性。