随着网络的快速发展以及社交平台的出现,社交网络的规模变得更加巨大且复杂。因此,社交互联网给用户创造了一个全新的通讯方法,给人们提供了前所未有的大量数据进行数据挖掘,进而开展用户行为分析与研究。分类问题是数据挖掘研究中的热门领域,由于社交网络中数据结构的多样性以及节点的复杂性变化,社交网络中节点的分类问题已经成为本领域研究热点。在社交网络中,节点的类别会受到网络结构及节点自身属性的影响。多数研究学者在节点分类问题上往往依据单一结构因素,或是单独的属性信息作为节点分类的判断标准。而在真实网络中决定节点的类别归属因素众多且彼此相互作用,因此本文基于社交网络中多影响因素提出一种融合多因素信息的社交网络节点分类研究方法。主要研究内容如下:（1）综合考虑社交网络中用户节点的影响力、邻域结构、兴趣偏好及活跃指数四个因素对节点所属类别的共同影响或交叉影响。基于网络结构和属性两个层面提出了一种融合拓扑结构和节点属性的标签传播算法IALPA来对节点进行分类。首先提出融合节点影响力和邻域结构的GIN策略,该策略通过对节点进行影响力排序生成节点更新序列,以节点邻域相似度来引导标签的初始赋值;接着提出融合邻域结构和属性信息的GLP策略,确定剩余三种因素的引导优先级,并度量它们相似系数来引导标签传播。同时也从属性的个数和类别层面衍生出ILPA和ALPA方法来优化相应的分类过程。本文采用真实社交网络数据集,验证了分类结果属性相似性、差异性以及模块度。分类结果显示类别之内属性相似,类别之间属性相异,同时也具有很强的社团结构。（2）在标签传播过程中,不重要节点的标签数量过多时,可能会误导其他节点的标签选择,导致分类结果不够准确。为了解决这个问题,本文提出了一种局部种子集的标签传播方法LRWLPA。首先提出种子节点预选LIN策略,通过随机游走的排序方式,结合相似度指标对重要节点生成种子节点集,仅对种子节点赋予标签;接着提出LLP标签传播策略,该策略是依据种子集和标签更新序列调整标签传播规则,使得节点分类符合实际分类标准。本方法在真实社交网络数据集进行实验,从分类结果的准确性、稳定性和社团结构验证。结果表明分类准确性得到了提升,结果模块度也较高,整体结果指标与标签传播算法相比更为稳定。