当前,随着社交媒介的广泛推广和应用,社交网络成为人们交流沟通中不可或缺的桥梁。影响力最大化问题作为社交网络研究的重要课题,聚焦于传播广泛和高效两方面,并作为先进的营销手段应用于实际。所以对此问题的研究也非常具有现实意义。大多研究者开展的工作主要集中在优化影响力最大化算法以及构造更符合实际的信息传播模型两个方面。目前已有的影响力最大化算法,大部分因时间复杂度太高或影响力传播范围有限不适用于大规模社交网络。另外,当前存在的信息传播模型大多只针对于单信息源的传播情况,即用户之间信息的传播是单一独立的。但真实的社交网络中的节点受多种相互影响的信息源同时传播影响。基于以上问题,本文主要从社交网络中的实际情况着手,针对社交网络中多信息源共同影响的传播模型以及在该模型下取得更优时效性的影响力最大化算法展开研究。本文的主要工作概括如下:（1）本文基于独立级联模型,结合反向可达集采样方法,提出动态反向影响抽样（Dynamic-Reverse Influence Sampling）影响力最大化算法。算法基于影响力传播函数满足单调性和子模性的特点,设置生成随机反向可达集临界值的判断条件,自动调试生成一定数量的反向可达集,接下来算法使用最大覆盖方法进行种子节点选择。经过实验验证,证明了算法在获得较好影响力传播范围的同时避免了时间浪费,更适用当前的大规模社交网络。（2）本文在线性阈值模型的基础上,考虑每条边上的全局传播概率受信息影响率和节点间传播概率的同时影响,并结合MI-IC模型,提出MILT（Multiple Information Linear Threshold）模型来模拟节点间的影响力传播。同时结合D-RIS影响力最大化算法给出了在MILT模型下的DR-MILT（Dynamic Reverse-MILT Algorithm）影响力最大化算法。最后通过实验验证,证明对多关系信息源影响的传播模型进行建模更符合实际,基于MILT模型的DR-MILT算法也有更好的时效性。