人们的观点在很大程度上决定着行为与决策。因此，分析、解释甚至预测观点的形成与演化是一个具有重要意义的研究课题。社会学习问题主要关注于观点形成和演化过程中的来自于社会方面的影响，研究不同社会环境和群体互动策略下观点演化的规律。近年来，随着复杂系统和复杂网络研究的蓬勃发展，作为社会网络中集群行为的重要研究领域，社会学习问题受到了来自不同领域研究人员越来越多的关注。本文在综述社会学习领域研究成果的基础上，针对几类基于多自主体系统描述的社会学习模型，深入地研究了网络结构以及学习策略对观点演化的影响。论文的主要工作和研究成果如下：1.基于观点相似性的随机网络中的社会学习。经典的Hegselmann-Krause社会学习模型（简称HK模型）的一个基本设定是个体只与观点差距不超过信任半径的个体交流。在现实社会网络中，人们虽然倾向于和观点相近的人交流，但是总会有一些与自己观点相差较大的朋友。基于这一考虑，研究了在信任半径外引入基于观点相似性选取的随机邻居的社会学习算法，证明了只要信任半径为正值，群体必然收敛到一致，并且给出了收敛时间的上界。同时还研究了当没有信任半径的影响，个体完全基于观点相似性随机选取所有邻居的情形，证明了群体观点以概率1收敛到一致。仿真结果进一步表明了观点差别大的个体之间的交流有助于最终形成统一的群体观点。2.带有内生领导者的有限信任网络中的社会学习。观点一致性与正确性是社会学习关注的两个重要方面。经典HK模型由于没有定义正确观点的概念，因此只能研究观点一致性的问题。为了研究有限信任网络中的群体观点演化正确性的问题，在经典HK模型中选取观点空间内某一常数作为正确观点值，个体在面对正确观点值时表现出有限信任的特点，即只有当正确观点值在自己的信任半径之内时才会为其分配正权重，此时个体称为内生领导者，权重的大小表征了领导者学习到正确观点值的速度。对于任意给定的信任半径和正确观点值，给出了使得群体观点收敛到正确值的领导者学习速度的取值范围。分析表明，如果群体在没有正确观点值的影响时能够达到一致，那么当存在正确观点值的影响时，总存在恰当的领导者学习速度使得整个群体的观点收敛到正确值。3.异质有限信任网络中带有可观测信号的社会学习。将基于观测信号的贝叶斯更新作为正确观点影响群体观点演化的一种具体实现方式，提出了在包含领导者和跟随者的异质有限信任网络中的社会学习算法，发现信任半径对群体观点的演化具有重要影响：整个群体只有在较大的信任半径下才能达到一致并学习到正确的观点值；当信任半径较小时，群体将分裂为多个社团，只有部分社团能够学习到正确的观点值。进一步的研究表明，领导者的学习速度对整个群体的学习效果有较大影响：领导者学习速度较快时，只有少部分个体能够学习到正确的观点值；当领导者学习速度较慢时，大部分个体可以同步地学习到正确观点但速度较缓慢。4.时变连通网络中带有可观测信号的社会学习。有限信任网络中网络结构由群体观点决定，网络连通性无法保证，可能导致部分个体无法正确学习。提出了两类具有一定连通性的时变网络中带有可观测信号的社会学习算法，理论证明了，当满足一定条件时，比如网络（联合）强连通、正权重有下界等，群体观点能够达到一致。进一步地，当不存在与真实状态观测等价的状态时，群体可以学习到正确观点值。