如何使信息在网络中快速传播是社交网络中的热点研究领域。目前,针对此问题的研究通常以静态社交网络为研究对象,而实际生活中网络不能被简单地抽象为静态社交网络,如社交网络及路网中节点间只在某些特定时间存在联系,即节点间的联系是具有时序性的。因此,为准确获取时序网络的影响范围,本文研究了时序社交网络影响最大化问题,即在时序社交网络上寻找k个节点使得信息传播最大化。首先,基于静态图的加权级联模型（Weighted Cascade Model,WCM）无法应用于时序社交网络的问题,对WCM模型进行改进,提出了改进的加权级联模型（Improved Weighted Cascade Model,IWCM）,使信息可以通过IWCM传播模型在时序社交网络上进行传播。其次,针对信息传播局限于一级邻居节点的时序社交网络,设计了两阶段时序社交网络影响最大化算法。该算法在时序启发阶段,同时考虑了节点度数和网络时序特性对节点影响力的作用,并以此为基础选取了影响力估计值最大的备选节点;时序贪心阶段,在借鉴了传统贪心算法思想的基础上对其进行优化,选取了影响力最大的种子节点;最后,通过实验验证了时序社交网络影响最大化算法TIM的高效性和准确度。TIM算法结合了启发式算法和贪心算法的优点,将边际收益的计算范围由网络中所有节点缩减到了备选节点,在保证精度的前提下大大缩短了程序的运行时间。最后,针对信息在二级以内邻居节点传播具有广泛应用的时序社交网络,提出了基于邻居节点影响力的时序影响最大化算法。该算法对传统的度估计算法进行改进,在考虑节点度数的基础上,加入对邻居节点的考量,提出了二级邻居节点影响力度量方法。并在该度量方法的基础上减去节点间影响范围的重合,同时进行时序化,进而形成了基于二级邻居的时序社交网络影响最大化算法STIM。最后,通过实验验证了STIM算法相较于普通算法具有更强的针对性和实用性,表现出了其在影响范围和运行时间方面的优越性,可以较好地解决基于邻居节点影响力的时序影响最大化问题。