近年来,随着互联网的迅速发展和普及,社交网络在信息、思想和影响力传播等方面发挥着越来越重要的作用,已成为人们获取和交流信息的主要媒介。著名的社交网络平台包括Twitter、Facebook、微博等,为人们创造了交流与合作的新世界。由于其广泛的现实应用,社交网络中节点影响力的评估和社区发现已经成为了重要的研究热点之一。现有的部分研究通过改进传统的Page Rank算法来评估节点影响力,取得了一定的成果。同时,早期的社区发现算法主要针对于非重叠社区的研究,然而现实生活中用户可能具有多个属性,属于多个社区之中,因此国内外专家学者提出了多种重叠社区发现算法,帮助我们深入了解复杂网络中的潜在信息。但由于社交网络的拓扑结构通常蕴含着丰富的信息,大多数研究存在对节点间交互行为和用户隐式兴趣分析不全面的问题,且没有充分挖掘和应用影响力这一关键因素的作用。本文在对社交网络结构特性和目前算法存在的不足进行深入研究后,充分考虑节点间多维社交行为和用户隐式兴趣等属性信息,优化了社交网络中节点影响力的评估,同时分析节点间的影响力准确地检测到社区结构。具体的工作内容如下:（1）针对社交网络中节点影响力的评估,本文提出了一种新的微博社交网络用户影响力计算方法—MUI-ISIDA（Micro-blog User Influence Based on Interest Similarity and Information Dissemination Ability）算法,充分融合了用户兴趣主题相似性和信息传播能力。通过兴趣主题相似性建模,然后合理分配粉丝对博主影响力贡献度。综合考虑微博质量、转发数、评论数和用户间有效互动行为,生成博文质量系数和同化效应系数,从而构建了用户信息传播能力模型,最后将其合理的融入Page Rank算法。在真实微博数据集上的实验结果表明,MUI-ISIDA算法在用户影响力排名上获得了更高的准确度。（2）针对社交网络中重叠社区的检测,本文提出了一种新的重叠社区发现算法—ENFIC（Discovering Overlapping Communities in Ego-Nets Based on Friend Influence Coefficient）。首先通过微博社交网络建模,为网络中的每个节点建立Ego网络。综合考虑节点度、共同邻居数和多维语义信息等,生成朋友亲密度和兴趣关联度,二者的融合构建节点间影响力系数模型来提取Ego局部社区。并利用社区间重叠度来融合局部社区,从而实现重叠社区的发现。最后,在三个真实的数据集上验证了ENFIC算法的性能,实验结果表明,ENFIC算法在扩展模块度EQ和紧密度D上的效果要优于其他算法。