随着信息技术的迅猛前进，以及世界范围内宽带的普及、移动终端的智能化，越来越多的人通过社交媒体（Social Media）获取、发布信息。各种社交媒体的应运而生，在很大程度上改变了人们的交流方式，凭借其超高的用户参与性，将大量用户聚集在社交网络中。同时微博平台的迅速兴起，社交网络中传播的信息量也迅速膨胀，掌握信息在社交网络中的传播规模对舆情预警、企业宣传都有重大影响，因此，如何有效的预测社交网络中信息的传播规模、掌握传播规律成为各界关心的热点问题。转发预测是指通过预测信息在社交网络中的转发次数来推测目标信息的传播规模，当前在转发预测研究领域，主要有基于传播树建模以及基于机器学习理论建模两种不同的研究角度，其中基于机器学习理论建模的方法在处理海量信息方面拥有巨大优势，因此本文从这一角度出发进行转发预测的研究，主要研究内容有以下几个部分：首先，根据调研结果，选用了用户特征、文本特征、时间特征以及元特征四种微博信息特征，并着重研究了基于LDA主题模型微博文本主题的提取方法。由实验结果得到，针对本文实验数据集，LDA主体模型的最优主题个数为80。其次，鉴于构建传播树的时间复杂度和空间复杂度都非常高，提出了将社交网络中的信息“串行化”后进行转发预测。分别基于逻辑回归和支持向量机建立了二项分类转发预测模型，由于训练集较大，在建模过程中均进行了并行化处理。实验结果显示，基于逻辑回归的分类模型预测精度比支持向量机分类模型稍高。最后，为了更加精准的预测信息在社交网络中的传播规模，本文提出了基于回归分析算法构建回归分析预测模型的方法，直接对微博的转发次数进行预测，并构建了基于岭回归的回归分析预测模型和基于逻辑回归的多分类预测模型。在转发次数的预测中，回归模型的均方误差比多分类模型降低了29.44%。