近年来,随着Twitter、微信等社交网络的快速发展,社交网络已经成为人们发表观点和意见的重要平台。信息不断地在这些社交网络中进行扩散和传播,引起了越来越多研究者对信息传播方式的关注。影响力最大化问题作为信息传播领域中一个关键的问题,旨在找到一小部分具有高影响力用户,使得这些用户能够通过传播后影响到其他用户的数量达到最多。本文围绕社交网络影响力最大化问题的传播模型和算法两个方面进行研究,对于该领域之前工作中的不足之处,本文给出了新的研究思路并进行了以下的研究:(1)本文首先将影响力最大化问题引入到符号社交网络。由于原始的IC传播模型并不符合真实符号社交网络的传播情境,本文引入了质量因子q和极性关系来扩展原始IC传播模型,并提出了 IC-NP传播模型。由于影响力最大化问题起源于病毒式营销,其更关注积极影响力。因此,基于IC-NP传播模型,本文随后提出了积极影响力最大化问题(Positive Influence Maximization,简称PIM)并证明了该问题是NP难问题且积极影响力传播函数具有单调和子模特性。最后,本文提出使用贪心方法GICNP来解决PIM问题。实验结果验证了所提出的模型和算法的有效性。(2)由于上述研究工作中提出的GICNP算法是一种基于贪心的算法,贪心算法使用蒙特卡罗模拟来评估节点的影响力,使其应用在大规模社交网络中时,需要花费大量的时间。因此,为了解决在无符号和符号社交网络中影响力最大化问题的时间效率,本文首先分析了无符号社交网络中的影响力排序和传播路径,提出了一种基于排序和传播路径的算法RankPaths。随后,为了使得RankPaths算法能够适用于符号网络,本文对RankPaths算法进行改进,并将其与上述研究工作中提出的IC-NP传播模型结合,提出了RankPaths-NP算法。最后,实验在真实的无符号和符号两种类型的数据集上进行,结果显示两种算法在时间效率和空间效率方面都优于相关的启发式算法,在影响范围方面与贪心算法相近。