随着在线社会网络用户数目激增，在线社会网络的隐私问题也越来越突出。本论文着眼于在线社会网络中的隐私推测技术，以Facebook社会网络为研究对象，提出了在线社会网络中的隐私推测的模型和框架，介绍了数据收集和预处理技术，给出了隐私推测的关键技术：将用户属性分为两类，给出了针对这两类属性的隐私推测的方法和实例，即性别推测和年龄估计以及识别未成年用户技术。本文通过基于真实数据的大规模的实验进一步验证了隐私推测方法的有效性及准确性，并对在线社会网络用户进行了基于属性的行为学分析。本文中推测用户隐私属性的方法可以应用到多种社会网络应用中，如好友和内容推荐，精准广告投放等。此外，研究在线社会网络的隐私推测技术，对于更好的理解隐私问题的原因，改进在线社会网络的设计和机制，提出更完整的安全对策，有着非常重要的意义。　　 本文的贡献和创新点如下：　　 ●给出了基于Facebook的数据收集方法和结果。据作者所知，本文的数据集是目前公开发表的论文使用的用户规模第三大的数据集。　　 ●提出了反向查找好友的数据预处理技术，并评估了这一技术对推测攻击的影响。　　 ●提出了一种以名字为中心的性别推测方法。可以对95.1％的纽约市Facebook用户达到96.3％的预测准确率，这一结果也远远好于目前公开发表的文献中的最好的性别预测结果77.2％[1]。　　 ●提出了一种综合的年龄估计方法。该方法对83.8％的Facebook纽约市用户的年龄估计误差在4岁以内。据作者所知，这是第一个在在线社会网络中深入研究年龄估计的工作。　　 ●通过爬取Facebook纽约市用户数据，创建了一个全面丰富的名字列表，并研究了列表的性质。如发现名字的流行度符合Zipf分布，94％的名字可以较好的被识别成男名或女名。　　 ●提出了一种识别在线社会网络中未成年用户的方法。本文使用启发式方法，取得了较好效果。据作者所知，这是是第一个系统的研究在线社会网络中未成年用户识别的工作。