互联网技术的发展以及大量社交平台的出现,使得对社交网络的研究也引起学者的广泛关注。而社交网络的影响力最大化分析则是其中的一个研究热点,找到社交网络中小部分具有较大影响力的节点,在一定的影响力传播模型下,这些种子节点将影响力在网络中传播开来,从而最终影响到更多的其他节点。社交网络影响力分析在广告营销、舆情预测与监控等实际场景中都具有重要的作用。目前的影响力最大化算法主要分为启发式算法和贪心算法两大类。前者在时间复杂度上友好,但是挖掘的种子节点质量不高,影响范围没有理论上的保证。后者虽然能够保证种子节点的质量,但是时间复杂度过大,也不适用于当前的大型社交网络中的影响力节点挖掘。从降低时间复杂度和保证最终影响范围的角度考虑,将社区结构这一社交网络具有的重要属性引入影响力最大化分析中。首先,给出了一种改进的标签传播的社区发现算法,能够解决传统的标签传播算法存在的社区发现结果不稳定的缺点。其次,给出了启发式和贪心算法相结合的社交网络影响力最大化算法。首先利用网页排名算法对每个社区内部的节点计算潜在影响力,然后筛选出每个社区内具有高潜在影响力的部分节点,并使用贪心算法进行进一步筛选,从而挖掘出社区内部具有影响力的种子节点,并将它们作为全局候选种子节点。其次,亦选择部分连接多个社区的边界节点作为候选种子节点。最后针对所有候选节点在全局网络上再度执行一次贪心算法,从而得到最终的种子节点。选择了真实数据集,分别对提出的社区发现算法和影响力最大化算法和多个相关的经典算法进行了对比分析。实验结果说明了论文所给出算法的优越性和可行性。