随着互联网技术的高速发展,在线社交网络作为新的传播媒介其应用规模与日俱增。人们在社交网络中即是信息的消费者,也是的创造者和传播者,使得信息呈现爆炸式增长。在此过程中,社交网络逐渐取代了传统媒体的主导地位,影响人们的思想,冲击着人们的人生观、价值观和世界观。同时信息呈现核裂变式的扩散方式,加速了社会热点的形成,有害的舆情又对国家安全和社会稳定带了负面影响。因此针对在线社交网络的信息传播研究具有重要的应用价值和实际意义。目前,针对社交网络的信息传播研究已有大量工作。然而传播演化机理研究涉及网络科学、社会学和心理学等多个学科领域,尚缺乏交叉学科的研究成果。本文围绕着信息传播的“网络结构”,“用户群体”和“信息内容”三要素,借鉴社会学理论,研究了网络结构对信息传播的影响。针对信息内容流行度分布的无标度特性,着重研究了流行度预测问题,在Facebook和腾讯新闻数据集上展开深入研究。本文的主要贡献和创新点总结如下:（1）在传播建模方面,针对传统工作未考虑信息多次冗余接触对个体行为影响的问题,引入社会学中的主流疲劳理论,提出了一种新的信息传播模型。通过在微观层面将社交网络中的用户划分为四种演化状态,采用交互式马尔科夫链方法从信息传播的时间、空间特征在微观层面对个体的状态转移进行概率表示,并推导出其信息传播的动力学方程组。通过人工网络与真实社交网络的蒙特卡罗模拟表明,网络结构会对信息传播产生影响,而同一信息对网络个体的多次冗余接触可能带来负面影响,从而降低传播效果。（2）在流行度预测方面,针对建模求解过程中的特征选择与预测准确率难题,提出了一种针对社交网络转发流行度的预测模型。通过分析Facebook主页历史发布消息的转发规律,发现如果一个消息在传播早期能吸引较多的弱连接用户参与转发,在未来更易取得较大的流行度。基于以上发现提取了连接强度特征,并融合消息传播早期的流行度建立了多元线性回归方程。在Facebook真实数据集（含154万次转发）上与其它具有代表性的基准模型进行的比较实验表明,本文提出模型对最终流行度预测性能优于现有方法。（3）在预测模型的适用性方面,针对社交网络中复杂的多信息并发传播环境,提出了一种基于竞争矩阵的流行度预测模型。目前预测模型大多基于信息独立传播这一假设为前提建立,然而实际情况是公众关注度经常会因为热点事件的发生而产生迁移,从而导致预测失准。本文通过研究腾讯新闻的评论数据集,利用熵方法阐释了信息竞争的存在以及用户关注度的有限性。针对信息内容复杂多变的表示难题,通过神经网络的方法对海量新闻文本、用户评论进行文本的向量表示与分类,构造竞争矩阵并使用梯度下降方法进行求解。对比实验表明本文提出的预测模型适用于多信息竞争环境,具有更好的预测性能。（4）设计实现了一套信息传播分析与预测系统,应用于互联网舆情分析、突发事件传播趋势预测等实际需求。系统主要由信息采集、数据存储、预测分析以及前端展示等四层构成,可实现针对Facebook、腾讯新闻、新浪微博等典型社交平台的数据获取、分析和预测,并取得较好的实用效果。