随着互联网技术和移动终端设备的蓬勃发展,在线社会网络（Online social networks,OSN）已经成为人们交流沟通、共享信息不可或缺的平台,并在政务、医疗、交通、教育等诸多领域发挥着至关重要的作用。近年来,OSN中信息的传播方式已经从“口口相传”转变为“文字相传”、“声音相传”以及“视频相传”等,越来越多的用户将Facebook、Twitter、微信、新浪微博等大型OSN平台作为信息获取的重要来源。然而,各类OSN平台一方面为人们进行信息分享和交流互动带来了极大的便利,另一方面也成为谣言滋生和蔓延的重要载体,从而给人们的生活,乃至整个社会带来负面影响。例如,OSN中的谣言泛滥现象,可以误导人们对事物的正确认知,甚至在特定事件背景下引发民众的恐慌情绪。与此同时,突发事件的频发也为谣言的滋生与蔓延提供了契机,如2016年“山东非法疫苗”事件、2017年“北京红黄蓝幼儿园虐童”事件和2019年底至今的“新型冠状病毒肺炎（Corona Virus Disease 2019,COVID-19）疫情”等。上述各类突发事件都引发了众多谣言,严重扰乱了正常的社会秩序。毫无疑问,谣言在OSN中的扩散已经成为一种普遍现象,并可能给整个社会带来严重的负面影响。因此,设计有效的谣言抑制策略,以对OSN中谣言扩散过程进行有效地疏导与控制,将谣言产生的负面影响降到最低,不仅是OSN平台管理者和政府相关部门亟待解决的现实问题,也是公共安全与危机管理研究领域要解决的关键科学问题之一。为此,本文构建了一种在OSN中同时考虑信息整体流行度和个体传播倾向的动态线性阈值谣言传播模型（Dynamic linear threshold based rumor spreading,DLTRS）,以更为真实地模拟OSN中信息的传播过程,并基于该模型,设计了一种考虑辟谣信息传播时间、种子节点数量、信息可信度等抑制代价的谣言澄清算法（Rumor clarification considering cost restraint,RCCR）;随后,分别利用 WS、BA、随机网络等构建网络数据集,以及Epinions、Facebook、Twitter、新浪微博、知乎等真实OSN环境下的网络数据集,对提出的谣言传播模型和谣言澄清算法进行了仿真实验,探究RCCR算法的谣言抑制效果,并进一步分析了各参数变化对RCCR算法性能的影响。结果表明:1)本文基于DLTRS模型提出的RCCR算法,相较于随机选择种子（Random seeds,RS）算法和度选择种子（Degree）算法,可以最大程度地降低OSN中谣言感染节点比例,即具有更优的谣言抑制效果;2)通过探究RCCR算法下,OSN中的用户状态转变过程,发现OSN中的用户往往频繁地改变自身的状态,可见人们对待某个事件或消息的观点和意见,通常随外在环境及个体认知的变化而不断改变,该情况也与现实世界更为相符;3)分别探究了种子数量、信息可信度和辟谣信息传播时间对RCCR算法性能的影响,发现种子数量、信息可信度和辟谣信息传播时间的提升均对OSN中谣言抑制效果有积极作用;4)探究了 RCCR算法下,记忆机制对谣言传播过程的影响,发现由交互次数和信息重要性的增加而产生的记忆强化效应,对于抑制OSN中的谣言扩散具有积极作用,然而由主观记忆减退发生率和遗忘速度的增加而产生的记忆削弱效应,对于抑制OSN中的谣言扩散具有消极作用。实验结果表明,本文提出的RCCR算法,具有较好的谣言抑制性能。进一步分析仿真结果可知,当对社会具有较大影响的突发公共事件发生时,在OSN中需通过官方政府或部门及时进行辟谣,并分别从时间、空间和信息三个层面提高辟谣信息对谣言的抑制效果,进而有效降低由于谣言大规模扩散而带来的负面影响。