通过影响网络中的正影响支配集(Positive Influence Dominating Set,简称为PIDS)可以有效的引导社交网络中的舆论,培养社会风气。对于许多社会问题例如抽烟、酗酒等,都有很大的实际意义。对于网络中的一个节点子集来说,如果网络中的所有节点都有半数以上的邻居节点处于该子集中,那么这样的节点子集就是该网络的一个PIDS。连通正影响支配集(Connected Positive Influence Dominating Set,简称为CPIDS)即在正影响支配集的基础上,进一步要求支配集内部连通。目前已有许多关于PIDS的研究,但其中的大部分方法计算量大,时间复杂度高,因此难以适用于大型的社交网络。在本文中,针对一些已有方法的不足,我们提出了一种高效的启发式算法TBCM来构建大规模社交网络中的CPIDS。文中实验结果表明,本文提出的TBCM算法在运行时间上优于现有的大规模网络算法。并且,考虑到正影响支配集在网络中占比较大,难以应用到实际的社交网络中,本文提出了将影响力最大化问题应用在网络中的CPIDS的想法,设计了基于网络中CPIDS的两步影响力传播算法LIBH,在得到的CPIDS上进行了影响力最大化问题的研究。在已得到网络中CPIDS的前提下,选择部分节点作为种子节点集合,并且该种子节点集能够在两步的影响力传播后扩散至整个CPIDS,从而进一步缩减初始激活点数量。本文分别在合成网络与真实网络数据集中进行仿真实验,在不同大小、不同类型的数据集上进行实验对比,实验结果表明,本文提出的构建网络中CPIDS的算法TBCM,在运行时间以及构建解集大小方面,均优于已有的三种对比算法。同时,对于提出的LIBH算法,文章中将其与已有的三种影响力最大化问题已有的算法进行了对比实验,考察算法在影响整个CPIDS的前提下所求得的种子节点集大小以及运行时间。实验结果显示,本文提出的TBCM算法以及LIBH算法在运行时间方面有很大优势。