人们对各种政治、经济和社会问题(如选举、教育和医疗问题等)都会有自己的观点或信念,这些观点或信念一般是通过学习和交流逐渐内化形成的,而交流和学习是在我们共同生活的一个由朋友、同事、亲属等所构成的社会网络之中进行的,因此也称为社会学习。社会学习主要关注社会网络结构和个体的策略是如何影响信息的传播和信念的形成的。目前,社会学习受到了来自物理学、社会学、经济学、博弈论、信号处理和人工智能等多个领域学者们的关注。　　 为了更好的研究社会学习,本文对社会学习中的典型模型进行了简单概述。根据信念更新法则的不同,社会学习模型主要分为两大类:贝叶斯社会学习和非贝叶斯社会学习。贝叶斯社会学习假设个体基于贝叶斯法则理性地优化更新他们的信念;而非贝叶斯社会学习一般是基于简单的经验法则,如模仿、复制、经验相似性等。非贝叶斯学习类似于多智能体系统中的一致性问题,但是这里所考虑的不仅是信念能否达到一致,而且还要考虑能否学习到真值。　　 目前大多社会学习模型考虑的是存在一个真实状态情形。然而,现实世界中,真实状态可能不止一个。例如:不同种族的人们可能有不同的宗教信仰,不同党派的人们可能有不同的政治信仰,不同地区的人们对喜好的餐饮可能有不同的偏好。因此,本文重点针对多真实状态社会学习进行建模和仿真研究。　　 首先本文提出了网络拓扑结构不变情形下的多真实状态社会学习模型,其中社会网络由若干具有不同真实状态的社团构成,不同社团的个体收到相应真实状态发送的信号,每个个体对接收到的信号进行理性贝叶斯更新并综合考虑邻居对其影响。在信念演化过程中,发现多真实状态条件下个体信念不能达到渐近学习,而是出现了混沌现象。通过计算最大李雅普诺夫指数和Hurst系数,证实了混沌的存在,进而分析了信号结构和信任度对个体信念演化的影响。　　 其次,考虑到在现实世界中,正如古语所说”人以类聚,物以群分”,人们往往倾向于跟那些与自己观点相近的人交流,因此人们通常会根据信念之间的差异调整邻居以及对邻居的信任权重,从这个意义上讲,个体之间的交流网络是时变的,个体之间的信任权重也是时变的。因此,改进了多真实状态社会学习模型,考虑个体选择观点相近的人做邻居并且对观点与自己差异小的邻居给与更多的信任权重,提出了变拓扑和变权重的多真实状态社团演化模型。研究结果发现,在信念演化过程中,那些接收同一真实状态发送的信号的个体会聚在一起,从而涌现出社团结构。进一步地,分析了系统参数对社会学习的影响,发现个体的信念演化会出现一个明显的一级相变过程,并给出了临界值的范围。