随着因特网的普及,信息呈现爆炸式增长,信息传播速度也非常容易形成级联效应,因此包括社交网络在内的各种复杂网络场景下的异常信息传播控制显得非常重要,尤其是针对谣言虚假信息的控制。如今网络中的异常信息特别是谣言信息大量充斥在网络环境中,严重影响了各方的合法利益,造成了社会的恐慌,因此对于这类谣言信息的扩散控制非常有必要。在控制扩散方面,如果我们可以准确的挖掘出信息扩散的源点,这对于合理有效的控制谣言扩散具有重要的应用价值和现实意义。挖掘的难点是如何根据现有的有限节点信息准确的在图中找到信息源点的位置,传播路径以及传播关系是未知的,时间信息也是处于未知状态的。现有的挖掘方法大多分为两种类型,一种是基于传播子图场景下的挖掘,该类方法要求获得谣言感染网络的完整传播子图,对现实要求较高,准确率相对较高;另一种是基于观察点部署场景下的挖掘,该类方法不要求获得完整的传播子图,只需要获得部分感染节点的情况,即可对其进行数据挖掘,最终得到的准确率也会相对偏低。通过对谣言源挖掘问题以及现有的模型分析,本文从以下几个方面进行研究:第一,通过对前人提出的RC(最大似然估计挖掘模型)的分析,将谣言中心性计算与传播概率距离进行融合,得到适应于不同网络场景的IRC(基于概率距离的最大似然估计)模型,分析其效果。第二,深入分析基于复杂网络中中心性度量的方法,寻找从总体上看更加稳定的提升方案DRC模型(基于复杂网络接近中心性计算模型)。第三,深入研究观察点部署场景下的模型,并试图找出一种模型TRC(基于带时间标签的挖掘模型)其效果能够不过份依赖于观察点部署情况,而是基于传播时间差与理论传播时间差之间的相似度进行源中心性评估。第四,在多源挖掘方面,研究现有的CMS(基于社区划分的多源挖掘)模型,将自主提出的传播概率距离融入到自适应聚类挖掘中,多次迭代产生稳定的感染区域,从而更好的挖掘出各种谣言源的感染范围,进而将问题转换为单源挖掘,形成新的ICMS(改进的CMS模型)模型。本文实验结果证明了以下几点:第一,本文改进的IRC模型能够更好的表达实际传播距离,比原始谣言中心性计算模型更加准确。第二,本文提出的DRC模型比ECC(基于复杂网络中偏心距离计算的中心性度量)模型无论在无图还是有向图在效果上均有较大的提高。第三,在实际应用场景中的观察点部署挖掘场景下,DRC模型存在对观察点选择过分依赖的情况,本文设计的基于时间标签的TRC模型可以很好的解决这一问题。第四,多谣言源挖掘场景下,本文提出的ICMS模型在基于自适应聚类的社区划分效果上比原先CMS模型有较大提升,从而使得在单源挖掘方法相同时,多谣言源挖掘效果有较大提升。