随着互联网技术的飞速发展以及移动终端的广泛应用,在线社交网络（如微博、Facebook等）得到了蓬勃发展,已融入到人们日常生活的方方面面。它们突破了时间和空间的限制,使人们在任何时间、任何地点都可以便捷地交流与信息共享。而且,由于社交影响力的影响,社交网络中的信息通过个体间的交互行为能够在较短时间内快速扩散。这种独特的信息交互与传播模式极大地提升了人们制造、获取以及传播信息的能力。因此,社交网络影响力传播分析成为了当前的热点研究问题之一。在这一领域中,一个最为基本的问题是影响最大化问题,其目的是在网络中挖掘少量种子用户使得在某种传播模型下影响力的传播范围达到最大。该问题的研究在病毒式营销、推荐系统、社区发现等领域也具有十分重要的应用前景。基于以上背景,针对现有影响最大化研究领域存在的不足,并结合现实营销活动的特点以及各类实际应用的需求,从不同角度对影响最大化问题展开更为深入地研究。首先,针对实际病毒式营销通常需要在有限的营销成本以及时间期限等条件下实现利润最大化这一目标,研究了一种更为现实的受限的影响最大化问题。该问题的影响传播函数保持单调性和子模性。然而,已有贪心爬山算法忽略了影响传播过程中选择种子的不同代价以及时限,因而其无法直接适用于这一问题。为了解决这一难点,提出了节点的PCR（Profit-Cost Ratio）指标,并设计了一种新的贪心近似算法有效地求解该问题,且它提供了一个近似率为（）的近似最优解。此外,为了提升该算法的计算效率,提出了一种基于最大影响传播路径的高效启发式算法以近似影响传播计算,并设计了若干剪枝技术以过滤出很多候选节点。实验结果表明,提出的算法在保证有效性的前提下,能够极大提升问题求解的效率。其次,针对社交网络中多产品的传播,探究了一种新颖的兼容影响最大化问题,其涉及到更为复杂的用户产品采纳行为分析。通过引入两个显式参数来表征节点产品采纳行为的动态性,设计了一种兼容影响传播模型以模拟多产品在网络中的影响传播。然而,该问题的目标函数不再具有单调性和子模性。为了有效地求解该问题,提出了启发式算法AGA（Adapted Greedy Algorithm）及其优化算法FGA（Fast Greedy Algorithm）。在实际计算中,该算法能加快最优种子集选择的速度而不会损失AGA算法的精度。同时,提出了一种基于树结构的启发式算法以降低兼容影响传播的计算复杂度。为了实现FGA算法,设计了一种近似算法以尽可能小的计算代价估计出节点边际影响增量的更为紧密的上界。实验结果表明,相较于现有影响最大化算法,提出的算法在兼容影响传播效果上更优,且具有高效率以及很好的可扩展性。最后,从边的角度研究了一种新的增量影响最大化问题。该问题是在初始种子集被选定后,在网络中添加一个最优边集来尽可能地增加种子集的影响传播。它的影响传播函数是单调的,但不再满足子模性。为了解决这一挑战,通过限制节点间最大影响路径上新添加的边的数量,设计了一种受限的影响传播函数,并提出了一种具有理论保证的算法SGA（Simple Greedy Algorithm）求解该问题。而且,为了有效地提升该算法选择最优边集的效率,进一步设计了一种高效算法IGA（Improved Greedy Algorithm）对候选边集进行剪枝,且它能够提供同样的理论保证。实验结果表明,IGA算法在增量影响传播效果上非常接近于SGA算法,且优于其他基准方法,而它的效率远高于SGA算法,其在不同参数环境下具有很好的稳定性。