随着Web2.0技术的发展,各种类型的社会媒体如雨后春笋般先后出现,而微博,作为其中重要的一种类型,已成为人们之间相互沟通、传播信息的重要途径。由于微博存在一些特殊的性质,近年来,针对微博的研究日益增多,其中影响力的研究成为热点问题之一,包括影响力度量和影响力最大化两大主题。尽管已经取得了一些成果,但是也都仍然存在一些问题,比如在已提出的影响力最大化算法中,不是运行时间过长,就是准确度不高,或者是假设条件太多。在影响力度量问题上,也仍存在一些新的角度可以去探讨。因此,本文将从这两个方面对微博中的影响力展开研究。本文先根据用户交互行为的双向性,从转发力度、评论强度、提及密度和关键字相似度四个因素对用户交互程度进行评估。然后,考虑到一个用户对其关注者的影响力贡献值是变化的,且依赖于双方的交互行为,提出一种新的影响力度量算法MBUserRank,并在此基础上,对影响力最大化问题展开讨论。接着,为了更好地近似激活概率并降低复杂度,修改MBUserRank算法并得到MBRank算法。通过MBRank对全部用户排序,选出一部分排名靠前的用户组成候选种子节点集合,在此基础上引入启发,提出新的影响力最大化算法MBGreedy及其改进算法MBCELFo最后,对生活中一个常见问题——影响力排名前k的用户是否一定会导致影响力最大化进行了探索,并对候选种子集合大小的选择进行了说明。通过在腾讯微博数据集上大量实验,得出如下结论：1)、新提出的影响力度量算法MBUserRank能够给出更贴近现实的排序结果；2)、新提出的影响力最大化算法MBCELF结合了原始贪心算法和启发式算法的优点,能够在较短时间内取得近似最优解；3)、影响力排名前k的用户不一定会导致影响力最大化。