作为社交媒体平台的代表,微博和微信公众号具有用户量多、传播快等优点,吸引高校通过其平台进行宣传,提升自身影响力。目前,高校社交媒体影响力分析模型存在单一性、考虑因素不全面的问题。为解决以上问题,并结合部分高校的实际项目,从两方面展开研究:一是针对微博和微信公众号的不同文本特征构造各自的信息主题提取模型;二是分析信息综合影响因素,融合局部用户关注关系以及所提取的信息主题,构建综合因素的社交媒体影响力分析模型。取得了以下研究成果:（1）针对微博短文本信息的特点,为提升短文本模型的主题细分效果,提出了基于N级LDA模型的主题聚类模型——FP-N-LDA模型,以挖掘出大类主题所包含的细分主题,弥补了传统模型对主题细分能力的不足。基于部分高校的实际微博数据,实验验证该模型的有效性,证明该模型对微博短文本主题挖掘有较好能力,同时耗时更短。（2）针对微信公众号文章内容篇幅长、涉及范围广的特点,为解决长文本分类模型结构复杂、耗时长的问题,基于深度可分离卷积思想,构建双尺度深度卷积核,提出了一种轻量化长文本分类模型——DSCNN模型。通过实验研究分析参数对模型的影响并验证该模型的性能和泛化能力,实验结果证明了该模型具有较好的性能和轻量化的特性,最后对部分高校微信公众号的实际文章数据进行主题分类。（3）由于社交媒体影响力算法对信息综合因素和局部用户关注关系考虑不全的问题,提出了基于Twitter Rank算法的综合影响力算法——Motif-MT Rank算法。首先分析国内平台的信息综合影响因素,其次参考Motif-based Page Rank算法思路,融合局部用户间关注关系,使该算法的计算范围更加全面。最后通过前面所提取的微博、微信公众号主题,计算各主题影响力,进而再计算高校在微博和微信公众号的综合影响力,分析各因素对综合影响力的影响。与传统算法进行实验对比,证明了该算法的有效性。最后对如何提高高校社交媒体影响力提出参考意见。在信息主题、属性以及局部用户关注关系各因素中,信息主题是影响影响力的关键因素,选择合适的主题能提高综合影响力;此外,内容所附加的图片、视频因素也是用户关注的重点,因此增加信息内容的丰富性,也能提高高校社交媒体的影响力。