随着在线社交网络的飞速发展与大数据时代的来临,数据挖掘技术越来越广泛地应用在社交网络的研究当中。社交网络职能的多样化和用户需求的差异性,使得用户同时活跃于多个不同的社交网络中,在单一社交网络进行数据挖掘难以展现出用户在整个社交网络中的全局特征。只有将不同社交网络中的账户与其对应的真实用户身份建立链接,研究者才能够在多层网络中进行全面而完整的用户信息挖掘,从而得到用户在网络中的全局特征。这种将多个网络中的账户链接到其对应用户身份的技术被称为跨社交网络用户身份链接技术。研究跨社交网络用户身份链接技术,能使研究者获得社交网络的整体视图,为社交网络更进一步的研究提供可能性,同时对维护互联网安全环境有着很大的帮助。在过往对跨社交网络用户身份链接问题的研究中,由于用户脸谱信息的不一致以及实际网络间的差异性,仅使用传统属性相似度计算方法往往难以精确地对不同网络的账户进行链接。针对这一问题,本文通过对社交网络特性的分析,结合网络中的脸谱信息与结构信息,提出基于结构的邻居迭代相似度算法,用于解决使用传统属性相似度计算方法的不足,得到一个更加完善的跨社交网络用户身份链接算法。该算法是一种半监督的传播方法,以先验种子链接为基点,通过迭代的方式,逐渐向整个网络传播覆盖,以完成用户身份链接的工作。本文利用真实社交网络的数据集,通过与其他算法进行对比,对算法的性能进行了分析与讨论,证明了算法优秀的综合性能。在之后的工作中,本文对算法进行了进一步的优化讨论,通过阈值设置与结果裁剪的方式来减少迭代中的误判,以提高算法的准确性。通过对优化前、部分优化和完整优化的算法进行实验对比,验证了优化方法的可行性与有效性,并对阈值、裁剪比例、先验种子链接等因素对算法性能的具体影响进行了讨论。