随着移动互联网的迅猛发展,在线社交网络成为人们沟通交流的重要工具,使病毒式营销得到广阔的应用。病毒式营销即为社交网络中的种子用户免费提供产品,这些用户将产品推销给他们的粉丝以及粉丝的粉丝。关于产品的信息能病毒似的一层层扩散,产生大规模的营销效果,企业也因此可以获得巨大的收益。当前的研究工作大多集中于一种产品在一个批次中病毒式营销。然而,在某些场景下,企业需要对多种不同型号的产品进行多批次病毒式营销,并且这些产品在营销时会争抢潜在用户。例如:一家手机公司通常生产多种不同型号的手机,但一个人一般只会购买一部手机,那么先营销的产品就拥有更多的潜在用户。本文主要研究多产品多批次营销收益最大化问题,设计近似算法和启发式算法选择种子用户,具体研究主要包括以下两个方面:（1）为了使所有产品都能得到宣传,企业会按批次对每种产品进行营销。对于上述场景,本文研究了顺序营销收益最大化问题。观察到节点传播产品信息和实际购买产品的两种行为是相互独立的,本文建立了多批次独立级联传播模型。通过证明目标函数的单调性和次模性,本文提出近似比为1-~10)-的朴素贪婪算法。为了提高算法的运行效率,本文改进最优解期望收益上界的计算过程,结合带价格感知的随机反向可达集合,提出近似收益最大算法。该算法的时间复杂度与社交网络规模大小近乎线性相关。本文在四个真实在线社交网络数据集中进行了实验,验证了算法的有效性。（2）为了进一步提高营销的总收益,某种产品可以在不同批次中被多次营销。对于上述场景,本文研究了策略营销收益最大化问题。应用目标函数的自适应次模性和自适应单调性,结合随机优化的相关理论,本文分析了自适应随机策略的近似保证。考虑到策略营销问题复合了整数背包和影响力最大化问题,本文提出动态自适应产品选择算法,并分别应用了两种算法选择种子节点。在应用近似收益最大算法时,整体算法拥有理论近似保证;在应用二阶近邻收益最大化算法时,整体算法的时间复杂度取决于产品组合的数量和网络整体的规模。四个真实数据集中的实验结果证明了算法有效地提高了营销的收益。