伴随着互联网规模不断扩张,微博逐渐成为国民获取新闻资讯、传播信息的重要平台,用户量屡创新高。但由于微博具有匿名性,不可信用户也悄然滋生,并产生大量诈骗、网络钓鱼、詈言侮辱等不良信息,轻则对正常用户造成干扰,重则可能产生社会不稳定因素。因此,如何对用户可信性进行建模、精确识别不可信用户,已成为在线社交网络分析的热点问题。“用户可信性”顾名思义指用户客体能够被主体信任或依赖的能力,带有评价主体的主观色彩,因此对客体可信性的判断带有主观不确定性。然而,现有不可信用户识别方法却往往忽略这种主观因素对识别结果的影响。针对此问题,本文将D-S证据理论引入微博用户可信性分析,以信任区间形式直观描述分析者的主观不确定度,实现含主观不确定性的微博不可信用户识别。首先针对现有D-S证据理论中的Zadeh悖论、证据过度修正问题,提出一种新的证据距离因子度量方式,实现对D-S理论的改进。进而依据改进的D-S理论,分别着眼于以下两种层面实现微博不可信用户识别:（1）用户个体层面。首先结合文本内容、提及信息与话题标签特征来评估用户历史博文的可信度;其次依据D-S理论将上述博文可信度逐一转化为证据;接下来依据改进的D-S理论将证据逐条融合,生成微博用户的信任区间;最后依据信任区间计算对用户可信性的主观不确定度,并将主观度与信任区间输入C4.5决策树分类器实现用户可信性划分,完成含主观度的个体层面不可信用户识别。（2）社交图层面。首先构建目标用户的扩展自我中心网络;其次对网络节点间的直接、间接影响力进行评估;进而提出Credit Flow模型,挖掘节点间影响力与可信度的关系;最后依据改进D-S证据理论,将各邻居对目标用户的影响力以及节点可信度转化为证据,融合后实现含主观度的社交图层面不可信用户识别。本文采用新浪微博的真实数据,来验证研究内容的有效性。首先进行数据预处理;进而将两种层面的识别方法分别与现有方法进行对比,并采用经典的模型泛化能力指标评估对不可信用户的识别性能。实验结果表明,相较于现有未考虑主观不确定性因素的识别方法,本文中两种层面的识别方法性能均具有优势。