随着社交网络种类的日益丰富,人们对于社交网络的需求也逐渐增多。影响力最大化节点作为网络焦点和传播扩散源节点,对人们日常中社交信息的决策起到关键作用。本文致力于分析社交网络中影响力最大化问题,主要针对局部节点传播和影响力范围值,分别考虑局部节点优化和全局扩散,以及当社交网络基于目标感知时来解决影响力最大化问题。具体研究内容如下:（1）对局部节点的影响力及整体扩散问题进行了研究。针对社交网络影响力最大化问题不能同时满足大规模扩散的节点和传播范围、时间效率等问题,基于局部节点优化和度折扣思想提出了一种新的节点影响力最大化算法,对候选种子集进行优化,通过构造NAV函数计算局部节点影响力的值。其次,提出了一种节点激活算法,并结合度折扣思想,进行候选节点的过滤筛选;构建DMAP函数将筛选后的候选节点用于全局扩散,实验结果表明:本文提出的DLIM算法在传播范围上比传统的度折扣算法提高了11.3%;在时间效率上比传统的度折扣算法快四个数量级。（2）针对目标感知和分配激励值查询问题,提出了一种UAIA算法,根据每对用户的历史行为来估计用户之间的影响关系,以识别未知社交网络中有影响力的用户。提出了一种自适应分配激励算法来确定激励值,以及运用了目标感知的RR索引结构有效提取在线社交网络中用户的行为信息,根据查询模型快速查询到目标用户及用户在网络中的整体状态。最后使用四个数据集和一个合成数据集来评估所提出方法的性能。实验结果表明,所提的算法不仅能够得到高精度的查询结果和影响力传播范围,而且具有很高的查询效率。综上,本文从不同的角度分析了在线社交网络影响力最大化的传播范围、运行时间和影响力用户查询影响力范围,结合影响力最大化传播特性规律,分别提出了不同影响力最大化传播模型,并对这两个模型进行了理论和实验分析,得到的相关结论为研究提供了有力的理论依据。