随着社交媒体和在线社交网络的广泛普及,形成和共享意见的过程发生了根本变化。在线社交网络平台使用户能够相互交流。通过这些在线社交平台,用户可以轻松表达自己的观点并结识其他人。由于爱好、社会关系和地理位置等共享属性的不同,形成了各种社区。随着社交媒体对观点的塑造日益增多,出现了许多社会问题。积极的意见将对社会发展产生重大影响,而消极的意见将在没有控制和指导的情况下对社会稳定产生严重影响。理解情绪在社交网络中的传播过程并且识别情绪感染过程中具备高情绪影响力的用户有助于网络舆情的正向引导,这对于国家安全和社会和谐有着重要的意义,同时也具备着不可估量的市场价值。然而,对社交网络中情绪感染的潜在机制的研究并不深入。一方面,极少有研究去分析用户在社交网络中分享的情绪,而且不同用户在社交在情绪感染过程中所扮演的角色和发挥的作用难以量化。另一方面,社交网路中的环境与用户的情绪的关联也不明确。本文结合社会学以及人工智能技术等跨领域知识,研究社交网络中情绪传染的潜在机制,本文主要研究内容可分为如下四点:（1）提出了基于情绪偏好相似度的情绪社区发现算法。首先,社交网络中情绪聚集现象的存在,发现了由相同价值观和情绪偏好的用户聚集在一起。随后,通过将网络中用户的情绪偏好做了量化计算,以此来计算用户间的情绪偏好相似度。利用情绪偏好相似度,对Louvain算法进行了改进,提出了基于情绪偏好相似度的情绪社区发现算法。从社交网络中发现情绪社区结构。（2）提出了基于多视图集成学习的情绪角色挖掘模型（ERM-ME）。首先,提出了三类不同的情绪特征,将社交网络中用户的情绪影响力和跨社区情绪传播能进行了量化。然后,通过构建不同的情绪特征,再利用局部融合策略得到了具有全局视图的元分类器。随后在全局融合阶段通过基于准确率的加权投票方案将元分类器的输出进行集成,对社交网络中的情绪角色进行了识别。（3）提出了基于环境感知的情绪预测模型（SAEI）。首先,提出了一个基于序列的编码器-解码器框架模型,通过分析社交网络中用户的情绪收到时间演化因素和社会环境因素的影响,构建了环境注意网络以及时间演化注意网络,将用户的情绪与社会环境因素建立联系。然后通过引入时间间隔序列,解决了社交网络中互联网用户发布推文时间不规律的问题。（4）设计实验论证提出的算法和模型的可行性。通过实验证明了情绪社区发现算法在情绪社区发现任务上的有效性,ERM-ME在情绪角色识别任务上的优越性以及SAEI在情绪预测任务上的卓越性能。并在案例分析中将ERM-ME模型识别出来的情绪角色与传统的社会角色识别方法进行了比较,证明了情绪角色社交网络中的情绪影响力与跨社区情绪传播能力由于传统社会角色,实证分析证实情绪领袖和情绪中介在社交网络中起不同的作用,具有进一步划分的必要性。SAEI模型的消融实验则证明了环境因素和时间演化因素对于情绪预测的有效性。