近年来,社交媒体的广泛流行导致用户生成的网络数据火速增长,无数的用户数据被收集和记录。研究人员可以根据公开的网络数据中的用户属性信息,从而进行用户属性推断,这对个性化推荐等来说十分重要。但大多数用户基于隐私问题并不愿在社交网络中过多透露,从而用户的属性信息存在缺失甚至虚假问题,导致研究人员研究社交网络更加困难重重。因此,用户属性推断吸引了越来越多的研究关注。然而传统的属性推断方法致力于独立地推断用户属性,忽略了用户和属性之间的依赖关系,并且存在无权网络和有权网络两种不同条件下,社交网络中节点之间强弱关系差异对属性推断影响的问题。因此,本文提出了基于两种不同的条件下用户属性推断的方法,并在真实社交网络数据集中分析及实验验证效果。本文主要研究内容如下:（1）微博用户社交网络大数据的获取与处理本文基于社交网络平台,选取了新浪微博以及腾讯微博用户的数据进行数据集的收集和处理工作。设计了分布式爬虫算法,实现了对用户发表的社交网络数据的不间断判别和自动获取,并对数据进行预处理和分析,得到了后续实验需要用到的用于用户属性推断模型的相关数据集。（2）基于协同过滤的用户属性推断基于学习的方法,提出了一种基于协同过滤的用户属性推断方法,寻找和充分利用用户和属性之间的相似性关系,基于用户已有的属性信息,推断用户未知的属性信息。并与经典模型进行了对比实验,实验结果验证了本文提出的基于协同过滤的模型更好,推断用户缺失属性的性能更高。（3）基于社交网络强关系的用户属性推断在社交网络强弱关系的分析中,提出了一种基于强关系的用户属性推断方法,在对真实大规模社交网络数据集进行强关系判定的基础上,标注强弱关系并减少标注为弱关系的边所占的比例,进行改进实验并比较改进前后的差异。实验结果显示改进后准确率更高,证明了本文提出的节点之间的强关系会对社交网络用户缺失属性的推断产生积极影响。