随着人类的交流越来越频繁,网络中产生了基于社区结构的海量用户信息。影响力最大化问题作为处理这些用户信息的有效手段之一,可应用在病毒式营销、舆情控制等领域,因此受到了广泛的关注。基于社区结构研究影响力最大化问题缩小了寻找影响力节点的范围,有效提高了算法的效率。目前基于社区结构的影响力最大化算法研究仍存在忽略用户消极关系和用户成本等问题。为此,本文根据不同的用户场景对影响力最大化问题进行研究。具体研究内容如下。首先,针对用户间关系多样性和贪心算法效率低的问题,在考虑了社区结构的前提下,提出了基于社区结构的符号网络正影响力最大化算法（Community based positive influence maximization on sign network,CSIM）,用来解决符号网络的影响力最大化问题。该算法采用启发式算法挖掘候选集和贪心算法挖掘种子集相结合的方式。基于社区属性为每个社区分配候选节点数;通过考虑边的属性和节点传播路径提出了三阶影响力传播的启发式算法,可以有效的在社区内和边界选择影响力大的候选节点集;通过使用贪心算法在候选集中挖掘种子集,保证了种子集的影响力。其次,针对激活用户的成本不同和预算限制的问题,在考虑了用户成本和影响力的前提下,提出了基于社区结构的动态规划算法（Dynamic programming algorithm based on community structure,DPBIM）,用来解决社交网络的影响力最大化问题。该算法以每轮节点的影响力增量决定本轮是否选择种子节点。基于种子节点可能存在多次传播的观点,提出了二阶线性阈值模型;基于社区结构和社区内节点的传播范围选择影响力最大的社区;基于社区的影响力值决定本轮是否选择种子节点。最后,在Wikipedia和Hamsterster full等数据集上进行了种子集影响力和算法效率的实验验证。采用影响力范围和挖掘种子集所用时间作为评价指标,通过参数分析得到算法的最优解,并与经典算法相比,验证本文提出的两个算法的有效性。