近年来,社交网络平台的兴起对人们的信息获取和生活方式产生了不可低估的影响,快速增长的社交平台用户数量也导致信息总量的爆炸式增长。用户影响力的评估已逐渐成为社交网络方向的研究热点之一,消息传播的速度、覆盖的范围以及影响的深度等方面能综合反映用户影响力的大小。因此,计算网络中节点的影响力并分析消息在网络中的传播机制,可以有效地找出信息传播网中的关键节点,从而能够进行舆情预警和舆情分析,对保障网络安全有重要的意义。本文研究并分析了当前社交网络分析发展现状,概述了国内外针对社交网络方面的研究主要集中的方向,并针对用户影响力的多种评估算法的优缺点进行了详细分析。考虑到基于链接分析的PageRank算法仅能从网络结构的角度对用户影响力进行定量计算,本文首先根据微博特性及用户行为建立了用户影响力的指标体系。其次从马尔科夫链的角度对传统的PageRank算法存在的缺陷进行了详细分析,最后结合用户转发、评论等行为的影响因素,提出了基于加权转移矩阵的PageRank算法。同时,本文通过将模糊综合评价模型引入社交网络的用户影响力评估问题中,提出一种新的解决该问题的思路。模糊综合评价算法能自由选择评价指标,同时能较好地解决非确定性问题或难以量化的问题。在该模型的应用过程中,考虑到传统的模糊综合评价模型存在的权重问题以及模糊矩阵合成问题,本文对比了层次分析法和熵权法在确定权重时候的不同点及各自的适用环境,并提出了一种新的非线性模糊合成算子。本文在真实的新浪微博数据集上进行试验,通过对具体的话题微博涉及到的用户进行影响力评估的验证工作。通过与传统PageRank算法在算法耗时、收敛速度以及准确率等方面进行对比,对比结果验证了基于加权转移概率矩阵的PageRank算法的有效性。而改进后的模糊综合评价模型能够动态调整权重,综合考虑多评价因素的情况,准确率也有所提高。对比于改进的PageRank算法,在准确率相似的情况下,算法效率更高,耗时更少。