网络可视化方法能够帮助人们快速、直观地从大规模数据集中发现隐藏的知识和规律，并在实践中得到了广泛的应用。现有的网络可视化方法中，大多数可视化布局方法仅考虑网络中无向的或非加权的关系，应用到信任网络中则不能够体现信任关系的非对称性、传递性等特点。为了解决这一问题，定义了节点公共影响力权重、信任强度、信任距离等相关概念，并将这些概念引入到力导引模型中对其进行改进，提出了一种基于力导引模型的信任网络可视化算法(TNV-FD，Trust Networks Visualization Based on Force-Directed Layout)。该算法根据物理学中运动物体受力时的移动规律，对可视化过程中节点的移动规律进行了明确定义，并将系统中能量变化作为算法结束的条件之一。　　由于固定两点间的信任路径组成的信任网络可能存在聚集特性，使得无法直观的从已有的可视化图形中发现路径上的重要节点与信息。对此，从信任网络化简的规则、约束条件和更新等方面，对其进行了分析和研究，提出了一种信任网络化简算法，并结合信任网络化简后的特点对TNV-FD算法做适当调整，实现了对化简后信任网络的可视化。　　为了验证TNV-FD算法和信任网络化简算法的科学性、实用性和有效性，针对Epinions数据集，采用Java语言进行了算法实现和仿真实验。实验结果表明，考虑了信任特性的TNV-FD算法，能够在可视化图形中直观地显示信任网络的特性，并发现信任网络中一些潜在的知识和规律；信任网络化简后的可视化，减少了节点的重叠和边缘的交叉，有助于更加直观地展示网络中节点间的关系，对节点间信任的度量也起到促进作用。