以微博、微信为代表的社交网络媒体平台快速发展,为信息传播提供了极大的便利。而虚假、垃圾信息也借助这一传播途径迅速泛滥,这些有害信息的背后正是推送信息、操纵舆论导向的用户族群,这些用户族群严重扰乱社交网络环境并对社交网络中其他用户造成一定负面影响,因此研究用户族群识别对维护网络秩序、营造良好的网络舆情具有重要意义。传统的用户族群识别已经取得了一定程度上的进展,主要包含两方面:一方面是多特征提取,主要包括用户属性特征、用户行为特征与内容特征等;另一方面是识别技术,主要利用决策树、朴素贝叶斯、支持向量机等机器学习算法挖掘目标用户族群。虽然能够有效地挖掘部分用户族群,但是随着社交网络的快速发展,用户族群越来越呈现多元化特征,导致现有用户族群识别方法精确率欠佳。考虑到用户族群在传播学中既扮演着受众的角色,又扮演着传播者的角色,其作为受众的族群特征具有可掩藏性,但其作为传播者的族群特征却是无法隐藏的,因此本文提出了基于特定事件传播的用户族群识别研究。主要研究内容如下:（1）从用户族群参与构建网络舆情的特定事件出发,结合特定事件单极化负面舆情特性,提出了基于特定事件的网络舆情传播模型,通过稳定性分析与仿真实验验证了舆情传播模型符合真实的特定事件舆情传播规律。（2）从舆情预测出发,针对当前舆情预测模型缺乏有效指标与灵敏度的问题,结合特定事件舆情传播的研究,提出了舆情预测指标体系与SNPOP模型;首先引入群体性、影响力、舆情指数等指标,构建舆情预测指标体系;然后融合特定事件舆情传播模型,构建基于特定事件的舆情预测模型;最后通过实验结果验证了舆情预测指标体系与SNPOP模型的有效性。（3）从舆情控制出发,结合特定事件的舆情预测模型,提出了社交网络中用户族群的多特征与基于EBPP的多分类支持向量机识别方法;舆情指数是网络舆情的外在表现形式,而促成舆情指数的用户族群识别才是舆情控制的关键,因此首先从舆情指数、隐式网络、行为、语义特征分析社交网络中多用户族群之间的异同;然后通过EBPP将支持向量机参数设置问题转为粒子群在弹性空间搜寻弹性平衡点的问题,构建基于EBPP的多分类支持向量机识别模型;最后利用基于EBPP的多分类支持向量机有效识别社交网络中的多用户族群。本文在通过抓取获得的新浪微博数据集上进行实验分析,经过实验证明,本文提出的方法具有可行性与有效性。同时通过多组对比实验,验证本文提出的方法具有较高的精确率。