分析在线网络中信息传播的动态并预测信息级联未来的传播趋势具有重要的研究意义及应用价值,备受国内外研究人员的关注。根据研究目标的不同粒度,信息级联预测任务可分为微观级联预测和宏观级联预测两类。现有的微观级联预测模型无法对底层的社交关系图的结构信息进行有效建模,并忽略了外部因素对信息传播过程产生的影响。宏观级联预测模型并未针对传播子图序列中的动态演化过程进行建模,忽略了快照内部的时序信息及快照之间的时序依赖关系。本文针对信息级联的传播过程展开深入研究,从微观和宏观两个角度深入分析了影响信息传播的多种因素,预测未来的演化趋势,并设计了多尺度模型研究两种预测任务的相互作用。本文的主要研究工作如下:（1）提出基于图注意力网络的微观级联预测模型。首先利用图注意力网络提取底层社交图中的结构信息,通过一维卷积神经网络学习不同类型的外部因素对信息传播的影响,采用长短期记忆网络刻画信息级联中的序列信息,在考虑不同个体受外部因素的影响程度后预测参与信息传播的下一个节点。三个真实数据集上的实验结果表明,所提出的模型显著提升了预测性能。（2）提出基于时序信息学习的宏观级联预测模型。首先利用时间编码技术对传播快照内部的转发时间进行编码,其次利用双向图卷积网络分别对度矩阵与时序表征矩阵进行卷积,得到包含结构信息与时序信息的快照表征,最后设计一种基于时序改进的门控循环神经网络来建模快照演化过程中的时间依赖关系,将最终表征输入到多层感知机中预测流行度。两个真实数据集上的实验结果表明,所提出的模型显著提升了预测性能。（3）提出基于多任务学习的信息级联预测模型。针对现有的模型不能同时捕捉级联图的底层信息和传播过程中的节点序列的问题,该模型基于多任务学习的框架提出将微观级别的传播路径表征与宏观级别的级联图表征结合起来形成共享表示层,利用该共享表示层分别辅助各个预测任务的学习过程。实验结果表明,所提出的多尺度级联预测模型在两类任务中均实现了较优的预测表现。