信任评价模型可以解决网络中的一些安全问题,但是当网络中的节点数目非常大时,现有全局信任模型的计算量与通信开销比较大,影响了信任模型的推广和应用。针对该问题,本文在参考了人际社会关系间的信任机制基础上,基于节点兴趣相似度将大规模的网络从逻辑上划分为若干个小规模兴趣群组,然后构造了一个具有小世界网络特性的层次型的非结构化覆盖网。本文提出了一种兴趣群组自组织及推荐算法,该算法首先通过节点之间的推荐请求来发现具有相似兴趣的节点,然后利用信任奖励和动态交换机制逐渐将相似兴趣的节点聚集到相同的群组中,最后建立了群组间的连接,使得构建的层次网络具有小世界网络特性。通过对算法的模拟发现,该算法能够在较短的推荐周期内完成兴趣群组的构建,有效减少了计算量和通信开销,并且相似节点间的推荐信息更加可信。由于信任具有主观性与不确定性,使得精确的数学模型难以进行描述。本文结合模糊理论对信任模型进行了改进。在信任的综合评判中,强调了各节点的主观因素。在信任的推荐中,融入了中间节点的直接交互经验,并结合路径衰减因素给出了新的模糊推理方法。在信任的更新中,用余弦函数来近似地模拟了历史信任信息的遗忘过程。理论分析和模拟实验表明,模型具有很好的准确性和健壮性；能够快速识别恶意摇摆行为；在较大规模的网络中,本文的模型在计算量和通信开销等方面有较大的改进,具有比较好的可扩展性。