近年来,各式各样的在线社交网络,如Facebook,Twitter,Linkedln等等,都在以惊人的速度迅猛发展,并逐渐成为人们网络生活中不可或缺的一部分。然而各个社交网络帐号之间往往没有直接的联系,因此导致无法获得一个完整的社交用户网络图。跨平台的社交网络用户识别问题就是识别在各个社交网络背后的实体用户。现阶段关于身份识别问题还存在这一些缺陷:一方面,大多数用户身份识别依赖于用户档案信息匹配,缺乏个性化的用户行为分析。另一方面,很多基于机器学习的匹配算法是实现一对一的用户身份识别,没有做到多对多的用户身份识别。本文围绕跨平台的社交网络用户身份识别问题展开了研究。在用户预匹配方面,针对用户的博文书写行为,本文提出了基于频繁模式挖掘的个性化用户行为分析算法用来分析用户博文数据,从而使用户身份识别的问题不单纯的依赖用户档案数据。针对用户属性权值的分配,本文提出了基于后验概率的信息熵权值分配算法为用户不同用户属性信息赋予相应的权重,改善了经验权重分配法对用户识别所造成的低准确率的问题。在用户匹配方面,针对提高用户匹配的准确率和实现多对多的用户匹配问题,提出了基于稳定婚姻的随机森林确认算法。本文受启发于稳定婚姻匹配算法,实现了多对多的用户匹配。为了保证用户的匹配的准确性训练了随机森林模型对候选的匹配对做二次的确认之后产生最终的匹配对。实验结果表明,在准确率、精确率、AUC方面,本文所提出的算法相较与现有的相关算法都有所提升。最后,本文利用Spark分布式计算框架、Sping、Hive等工程技术构建了跨平台的社交网络用户身份识别系统。