随着互联网技术的不断提高和普及,越来越多的用户加入社交网络平台,从而形成了大规模的社交网络,分析和挖掘社交网络隐藏的信息是非常具有研究价值的。最大团是社交网络中联系最紧密的结构,因此通过最大团来分析社交网络是非常有效的方式。最大团问题(Maximal Clique Problem,MCP)是一类经典的NP-完全问题,在现实生活领域获得广泛的应用。本文通过研究K-Core算法,发现K-Core算法通过不断迭代剪枝能够获取到一个最大近似团,并且在最大近似团中可能包含有最大团。因此,本文提出先使用K-Core算法对图进行剪枝获得最大近似团,然后使用分支限界法获得最大团的研究方法。并且,为了处理具有海量数据的社交网络的场景,本文通过使用Spark分布式内存框架,实现了分布式K-Core算法。本论文的主要的工作内容如下:1,通过将K-Core算法和分支限界算法结合,通过实验证明了算法具有提升分支限界算法搜索最大团的效率。2,将K-Core算法和Spark分布式计算框架结合,设计和实现了分布式K-Core算法,并通过实验证明了算法的可行性。3,将算法应用到真实的大型金融社交网络——BoardEx中。在BoardEx中通过组合算法挖掘出最大团,分析其中的职位信息,发现在这个缩小图中的职位比例近似于原始社交网络的职位比例,说明在获取的最大团能够在一定程度上代表BoardEx社交网络进行某些特征的数据分析。