近年来随着网络的普及,大量社交应用随之出现,得益于其便利性,越来越多的人们将其作为了解世界热点的主要媒介之一。利用社交网络人们可以很快地建立社会关系,并对共同关注的某一社会热点事件进行沟通交流并分享自己的看法,社交网络已经成为人们生活中必不可少的一部分,它是人们现实生活在虚拟世界中的映射,反映了现实生活中人们的生活状态,对其进行研究能够发掘出现实生活中不易察觉的潜在信息,有着很高的研究价值,近年来吸引了大批学者的关注。影响力最大化是社交网络中一个重要研究领域,其主要研究如何在网络中找到若干节点,这些节点可以通过传播模型传播并影响更多的节点。影响力最大化在网络营销、舆情控制、疫情防控等多个领域都起着重要的作用。目前研究影响力最大化算法主要分为贪心算法和启发式算法两类。其中,贪心算法可以找出最优结果,但时间复杂度过高,不适用于大规模网络。相对于贪心算法来说,启发式算法时间复杂度低,挖掘的节点质量不高,影响范围没有绝对的保证。通过对现有影响力最大化算法的分析研究,本文主要从以下两个方面展开研究。一方面,针对目前大多数启发式算法都用度作为衡量指标,对网络特征衡量效果较差,无法得到潜在信息,本文通过将原始Page Rank结合阈值过滤的方式作为衡量指标,实现了以Page Rank为主要指标的启发式影响力最大化算法,可以有效的解决单纯以Page Rank为指标的影响力最大化算法中的聚集问题。另一方面,针对贪心算法耗时较长且启发式算法挖掘节点质量不高的问题,本文将社区发现算法与前者相结合提出了一种新的基于社区划分的影响力最大化算法。本文具体的工作内容如下:首先,改进原有Page Rank算法,通过阈值过滤的方式去除多余边,提出了一种新的启发式影响力最大化算法PRTH（Pagerank Centrality and Propagation Probability Threshold Algorithm）,改进后的算法传播效果有了较大提升。其次,因PRTH算法存在性能不稳定的问题,所以将PRTH算法与折扣度进行融合,提出了一种新的算法PRDD（Combining Page Rank with Degree Discount）,解决了PRTH算法结果不稳定的问题,同时提升了节点扩散范围。最后,将社区结构网络特征引入研究,将社区发现分别与PRTH和PRDD两种算法结合形成了基于社区划分的影响力最大化算法Co PRTH（communitybased and PRTH for Influence maximization）和Co PRDD（community-based and PRDD for Influence maximization）。这两种算法结合了启发算法和贪心算法,还考虑了社区的位置和大小以及社区边缘节点在原网络中的重要性,保证了算法在传播范围扩大的同时,具有可以接受的传播时间。同时,针对上述内容本文进行了相关实验验证。对PRTH算法和PRDD算法在四个数据集上进行了实验,并与五个基线算法做了对比,两种算法在传播效果和传播时间都有比较好的结果。对Co PRTH算法和Co PRDD算法在四个实验数据集上进行了实验,并与五个基线算法进行了对比,结果显示两种算法都有比较好的传播效果。