使用多种多样的在线社交网络进行社交活动已经成为当前社交的特色。每个在线社交网络反映了我们真实社交网络的一个方面。将多个在线社交网络连接起来的社交网络匹配算法对于我们进行全面的社交网络分析具有重要作用。但是目前的在线社交网络匹配算法存在时间复杂度高、图间信息量较少的情况下匹配准确率不高、没有与其他领域知识很好的结合以提高实践应用能力等问题。论文对社交网络匹配算法的时间复杂度、匹配准确率和在实践中的应用进行了研究,提出了基于子图分割的社交网络匹配算法、基于有向图的社交网络匹配算法和基于多重社交网络匹配的好友推荐算法,并在实验上取得了很好的效果。主要研究成果如下:1.对于社交网络匹配算法的时间复杂度较高的问题,考虑到算法时间复杂度较高主要是因为算法中存在大量的冗余计算,我们可以通过分割成多个子图的方式把问题化整为零,并在分割的过程中引入社群分割算法,使得子图间的联系相对稀疏,子图内的联系相对紧密。基于子图分割的社交网络匹配算法通过分割子图后进行索引搜索的方式可以在社交网络图匹配的过程中节省匹配时间,节省了 30%时间。2.基于有向图的社交网络匹配算法有效的解决了有向图的匹配准确率不高问题,提出了基于方向的节点相似度计算方式,通过在计算网络层中两个点的节点相似度时引入方向性,有效的提高了匹配算法的准确性。在一些对方向性变化敏感的社交网络图间做社交网络图匹配时,算法准确率提升可达到10%。3.基于多重社交网络匹配的好友推荐算法很好的将传统好友推荐算法和社交网络匹配算法结合起来,提升了推荐的准确率。