人们之间的交流和影响形成了以人为节点、人与人之间的影响关系为边的复杂传播网络,传播着言论、资讯甚至疾病等不同内容。影响传播推断技术能帮助我们更直观、准确地了解这些传播网络和相关传播过程,从而更好地预测、促进或者阻止未来的传播事件。现有的影响传播推断方法大多基于节点被感染的确切时间数据,但在许多真实世界的传播过程中,通过监测网络中节点的感染状态的变化来获取节点感染时间数据通常需要较高的甚至难以负担的成本。同时,受到潜伏期（从被感染到出现可观察的症状的时间）较长等一些客观因素影响,观察得到的节点感染时间数据并不一定反映被感染的真实时间。此外,现有的影响传播推断大多基于个体层面,面向团体层面的研究工作还有待深入。针对当前影响传播推断研究中存在的问题,本文基于实际中更容易获得的节点的最终感染状态数据,研究不同粒度上的影响传播推断问题。论文的研究成果可归纳如下:（1）传播网络拓扑结构的统计推断:为避免使用实际中难以获得的准确时间数据来追踪传播网络中影响发生的先后顺序,本文通过统计学习的方法仅基于感染状态数据来推断传播网络中潜在的影响关系。基于人工网络和真实网络的实验表明,该方法能快速准确地推断传播网络中的影响关系。（2）传播网络中传播概率的统计推断:现有的传播概率推断大多基于感染时间数据并采用凸优化的方法来得到全局最优解,然而时间数据准确性不高,凸优化方法的计算代价大。本文通过构建一个以传播概率为变量的对数似然度函数来拟合节点感染状态观测数据,并使用期望最大化方法以较低的时间复杂度获得相对准确的局部最优解。基于人工网络和真实网络的实验表明,该方法能快速准确地推断传播网络中的传播概率。（3）团体粒度上影响传播的统计推断:虽然团体间的影响可视为跨团体的个体影响之和,但是个体的数目往往要远多于团体的数目,从个体粒度上分析团体间影响的代价偏高。本文使用统计模型根据节点感染状态观测数据来分析团体间的影响关系及影响传播过程。基于人工网络和真实网络的实验表明,该方法能够有效地建模团体之间的影响传播。