微信、抖音等社交网络平台依托于互联网的发展呈现出迅猛的发展趋势。社交网络中每个人都可以即时与他人分享自己的想法与观点,它既丰富了人们的业余生活,又促进了人与人之间的信息交流,社交网络正发挥着前所未有的作用。影响力最大化作为社交网络分析的重要问题之一,意在寻找社交网络中的高影响力用户。识别这些高影响力的用户,可为企业与商家在产品营销等方面提供决策辅助,具有十分重要的现实意义。现有的度量用户影响力的方法一般依托于网络的拓扑结构或者通过定义信息传播模型,统计用户在模型下的信息传播范围,其大多基于静态网络。然而,真实社交网络往往随时间而动态变化,从而导致现有的度量方法难以准确描述用户真实的影响力。考虑到真实社交网络随时间演变的动态性,本文将现有影响力最大化理论应用到动态网络,研究动态社交网络中信息的传播机制及节点影响力的计算方法。之后根据动态独立级联模型推导出近似计算节点影响力的一般公式,并基于此提出一个快速计算节点影响力的算法(Fast Iteration Algorithm)。四个真实动态数据集下的实验结果表明:该算法所求种子集合的影响力相比Forward Influence、Weighted Degree和Degree算法均有不同程度的提高,且该算法的时间复杂度较低。除此之外,在某些场合如谣言控制或疾病传播中,我们希望通过识别网络中的高影响力用户,使其免受误导或传染,从而阻止谣言或病毒的扩散。针对该问题,本文从网络渗流角度出发,考虑节点失效或故障时引起的网络连通性变化,从而将影响力最大化中高影响力个体的集合选择问题映射为网络出现渗流转变时的最佳渗流问题。之后基于网络渗流过程以网络鲁棒性为指标提出一个影响力最大化算法,并根据网络渗流时最大连通集团规模的单调性对所提算法作了效率优化。讨论算法参数对网络鲁棒性结果的影响,统计出参数的合理取值范围。八个真实数据集下的实验结果表明:相较于度中心性、介数中心性及PageRank,基于渗流方式的影响力最大化算法能够给出网络的最小渗流阈值及其所需移除的节点集。