随着移动智能设备的普及以及移动用户的快速增长,移动社交网络在很多研究领域都引起了广泛关注。移动社交网络主要是由大量携带移动设备的用户组成,因此网络中节点的移动特性与人的行为模式有着密切的关系。人们的日常活动通常有着较高的规律性,通过分析人与人之间的社会关系可以更好的发现社团的演变规律。目前关于移动社交网络已经有大量研究,但是这些研究大部分都是从静态的角度对移动社交网络进行建模。然而真实的移动社交网络的拓扑结构是不断变化的,从静态角度建模会使网络中大量有价值的信息丢失,因此本文考虑从暂态角度对移动社交网络进行建模,挖掘其拓扑结构变化规律并加以应用。移动社交网络中节点的中心性和社团结构是两个特别重要的指标,因此,本文考虑从暂态角度对移动社交网络中的节点中心性指标和社团检测进行研究。主要研究内容如下:从暂态角度对移动社交网络中的节点中心性指标进行研究。提出了一种时窗聚合模型,将动态网络简化为一系列时序网络,然后提出了一种新的中心性度量方法—累积邻居关系CNR(Cumulative Neighboring Relationship)。在时窗聚合模型的基础上,提出了平均时窗聚合法、线性时窗聚合法和指数时窗聚合法,并结合时窗聚合模型与累积邻居关系提出新的中心性指标TCNR(Time-ordered Cumulative Neighboring Relationship)来度量节点在一定时间间隔内的重要性。为了评估提出的基于时窗聚合模型的中心性度量TCNR的性能,进行了大量的实验仿真。实验结果表明,指数时窗聚合法不仅在MIT校园数据集中,而且在Infocom 06数据集中都能较准确地测量出TCNR在一段时间内的中心性。因此,本文使用指数时窗聚合法来测量节点在一段时间内的TCNR。将本文提出的TCNR中心性指标与现有的暂态度中心性指标和暂态介数中心性指标进行对比,结果发现基于时窗聚合模型的中心性指标TCNR优于其他现有的中心性指标。从暂态角度对移动社交网络中的社团检测进行了研究。将本文提出的基于时窗聚合模型与社团检测相结合,在暂态接近性概念的基础上定义暂态社团,提出基于层次聚类的暂态社团检测算法。在MIT Reality数据集和Infocom 06数据集中利用暂态社团检测算法进行仿真实验,将每个时窗下检测到的社团之间的相似性进行对比,发现了社团的演化规律。实验结果表明,随着时间的推移,社团之间的相似性逐渐变低,但是以周为单位重复出现,符合人类的社交规律。最后,将基于时窗聚合模型的暂态社团与节点的暂态度中心性相结合,为移动社交网络设计了一种高效的路由协议RPTCDC(Routing Protocol based on Temporal Community and Degree Centrality)。在ONE仿真平台上将RPTCDC路由算法与Epidemic算法、Prophet算法进行比较。通过对传输成功率、网络开销、平均时延这三个指标进行分析,结果表明本文提出的路由协议有着良好性能。