面对网络信息呈爆炸式增长的现状,从海量的网络信息中挖掘有效信息、研究信息传播规律,传统串行算法已经不能满足高效率的要求。因此,网络信息处理高性能算法及信息传播模型的研究受到重视。本文以网络信息为研究对象,一方面,基于云计算模型提出网络信息处理并行算法;另一方面,基于Agent研究网络信息的传播规律。主要工作如下:首先,提出了一种基于Apriori的微博推荐并行算法。根据微博数据海量性的特点,采用云计算模型,设计了一种基于关联规则挖掘算法Apriori的微博推荐并行算法,并测试并行化性能。实验结果表明,提出的微博推荐并行算法具有较好的加速比性能和较高的运行效率。其次,提出了一种网络信息情感分析并行算法。根据网络信息自身的特点,采用MapReduce模型,将情感分析任务的三个主要步骤均进行并行化改进,设计了基于情感词典、TF-IDF特征加权和加权朴素贝叶斯分类的网络信息情感分析并行算法,并在Hadoop平台实现。结果表明,在大数据量的情况下,相比于串行程序,网络信息情感分析并行系统具有较好的加速比,证明了该并行算法针对海量网络信息情感分析的高效性。最后,模拟流行病的传播过程,提出一种基于Agent的网络信息传播建模思路。我们通过SIR模型的微分方程研究网络信息传播的整体趋势;同时,考虑个体行为的差异和个体间的交互规则,利用Agent的自治性和反应性调节模型参数,使模型与真实情况趋近,从而推断出信息传播网络的特点以及信息传播规律。