随着科学技术的发展,社交网络日渐成为人们生活中不可缺少的一部分。人们将社交网络平台作为信息传播工具,在上面分享着自己的生活内容。与此同时,越来越多的广告者利用社交网络来推销和售卖自己的产品,病毒式营销成为一种流行。在病毒市场盛行的背景下,影响最大化问题,即在社交网络中寻找影响力比较大的用户集合,成为了众多学者们的研究目标。同时,随着网络中用户地理位置受到的关注越来越多,亟需一种有效方案来解决在地理位置感知需求下社交网络中的影响最大化问题。给定一个具有用户地理位置信息的社交网络,和一个目标查询区域,基于地理位置的影响最大化问题目标是找到一组用户作为种子,使其传播的信息能够影响目标区域内的用户尽可能多。本文证明了该问题是NP困难的,并提出了一个近似的算法框架,这种算法将空间过滤模型,和基于采样的影响最大化算法结合起来,并使用粗聚类算法对时间效率进行了优化,支持任意凸多边形的目标查询区域。此外,本文从理论上分析了算法的性能,包括时间复杂度,以及所得结果可以达到的最优近似性。本文使用三个不同规模的真实社交网络对所提出的方案进行了实验研究。设置相关参数后,将其与现存的基准算法,从种子质量方面进行了比较,验证了本文方案的优势;通过与未使用粗聚类技术方案的比较,验证了粗聚类技术对方案的效率提升;并使用多种多边形进行实验,验证了方案在任意凸多边形目标区域下是有效可行的。然而,在现实生活中,用户的地理位置数据通常是由地图等可视化工具进行存储和管理的。在实现影响最大化目标之前,基于可视化需求,目标区域中用户的过滤操作需要进行位置数据点和多边形之间的空间连接。本文将图形管线中的光栅连接技术和位图算法结合起来,设计并实现了有效的任意多边形内数据点集的ID查询方案,并从理论上对方案的效果进行了分析。最后针对可视化需求下的方案,本文通过调整相关参数,来观察目标区域用户ID查询的精度变化和时间开销变化,并且与第一种算法中的传统数学方法比较得出,前者所用的时间开销大大减少,且得到的结果在精度上的损失属于可接受范围。