Web2.0时代的到来使得社交网络日益普及,社交网络中的海量数据蕴藏了无限宝藏等待挖掘。社交网络形态多样且技术日新月异,大数据趋势成为必然,运用先进技术手段对网络中的数据进行训练学习是现实的要求。由于社交网络发展迅猛,传统的网络研究方法、成果等不再适用。在对社交网络用户进行分析时,大多数研究仅集中于用户某一方面的特征,如行为时间间隔特征等。鉴于此,本文着眼于个体用户的属性、信息、关系三方面特征对社交网络中的用户特征进行了全面的分析。进一步借助机器学习中较为先进的谱聚类算法对所采集的微博实际数据进行了无监督学习。论文基于社交网络研究多学科交叉结合的特点,采用机器学习、文本处理等手段对以微博为代表的社交网络平台整体特性、用户信息传播特征、用户行为特征、属性特征、关系特征、文本特征进行综合研究。可视化分析是大数据时代对数据进行分析的必然要求,本文对社交网络用户特征分析时实现了网络特性的可视化。论文完成的主要工作包括：在图论、复杂网络研究、经典病毒传播模型、人类动力学传播模型等理论基础上研究了社交网络特性；利用Gephi实现了社交网络特征可视化；建立了SEIR微博信息传播模型；为微博用户建立了兴趣驱动的用户交互动力学模型；同时,论文采集了微博平台中用户的实际数据,利用LDA主题向量模型对采集的数据进行了处理,再进一步得到了用户之间的相似矩阵,在此基础上利用优于K-means聚类等传统聚类方法的谱聚类算法对样本数据进行了兴趣社区挖掘。通过理论推导和实证分析,论文全面地分析了微博社交平台中用户信息、属性、关系、行为特征,对采集到的样本用户进行了基于兴趣相似度的聚类,采用谱聚类对用户相似兴趣进行聚类时取得了较好的聚类效果。