随着Facebook、新浪微博等在线社交网络服务取得巨大成功，以及包括智能手机、PAD等移动设备的不断发展，无线技术的不断成熟，一种融合了社会性和移动性的新型网络—移动社会网络（MSN）应运而生。移动社会网络和传统的社会网络服务相比，它具有可移动、轻量化以及更贴近用户等特点。国内外对移动社会网络的研究主要集中在应用模式、快速组网、信息投递和分发、自私节点的激励、以及在传播信息过程中的信息安全和隐私的保护等问题上。本文主要研究的是基于移动社会网络的信息投递和分发。目前针对移动社会网络信息投递的研究中，大部分都是通过对各种社会性因子的量化，如兴趣爱好，节点中心度等，通过结合这些社会性因子在网络中的不同作用，完成基于移动社会网络的高效可靠信息投递策略。在这些投递策略中，主要是通过对网络中节点的社会性以及移动性的研究，选择出高效的中继转发节点来完成高效可靠信息投递策略。但是，这些策略并没有充分探究真实移动环境下用户的移动规律以及移动行为对信息投递的影响以及作为潜在中继节点的能力。因此，本文采用了真实场景下用户移动实验数据—MIT的Reality Mining项目，在Matlab工具的辅助下对该项目中用户移动数据进行了分析，并得出结论。即用户在固定环境中的移动规律性以及用户在移动过程中与其他节点的相遇次数的概率分布等。在这些结论的支持下，设计了一种基于移动用户行为的自学习机制。结合自学习机制的结论，从不同的目标出发，进一步讨论了校园网应用场景下的广播和组播。在信息投递时间最短的要求下，分析设计了基于自学习机制的广播投递策略。并且在VS2010仿真下，通过与Epidemic算法对比，说明基于自学习机制的广播投递策略不仅具有可靠高效的信息投递率，而且减少了平均内存消耗。在保证投递率的要求下，分析设计了基于组播的信息投递策略。并且在VS2010仿真下，通过与Epidemic算法和Bubble Rap算法对比，说明基于自学习机制的组播投递策略具有可靠高效的信息投递率，同时也减少了平均内存消耗。