在营销领域中公司为了推广某产品,如何利用有限的资金选择若干个影响力比较大的用户来免费体验产品,并借助“口碑效应”(word-of-mouth)和“病毒式营销”(viral marketing)的推广方式使产品最终的影响力达到最大化,这就是影响力最大化问题提出的最初背景。影响力最大化问题被Domingos和Richardson引入到社会网络领域后,成为社会网络领域的一个研究热点,学者们提出各种算法用于求解社会网络上的影响力最大化问题。本文首先介绍了影响力最大化问题的相关理论知识包括了社会网络和社区结构等知识,并重点研究了IC和LT两种传播模型,其次对现有典型的影响力最大化算法如贪心算法、MDA算法和OASNET算法进行详细的研究,并总结了这些算法存在的不足,提出了基于社区结构的CPWM算法。一方面,CPWM算法解决了贪心算法时间复杂度高的问题、MDA算法选择初始节点可能出现邻居重叠的问题和OASNET算法由于将社区看成独立网络之后导致边的损失的问题；另一方面,已有的影响力最大化算法只是把节点的度数作为节点影响力考虑的唯一因素,而在CPWM算法中把节点的度数和节点指向的节点度数综合起来作为节点影响力的考虑因素,这样更符合实际的情况。最后,本文在真实社会网络和人工网络上进行了实验,并从效果和时间复杂度两方面将CPWM算法与贪心算法、OASNET算法、MDA算法和Random算法作对比。得出的实验结果为：CPWM算法与贪心算法在效果差不多的情况下,时间复杂度大大的降低；相比OASNET算法,CPWM算法的效果和效率更好；相比MDA和Random算法,在时间复杂度接近的情况下,CPWM算法的效果更好。实验结果表明本文提出的CPWM算法是一种求解影响力最大化问题的有效算法。