随着信息时代的快速发展,使得人们之间的信息交流变得更加便捷和高效。社交网络作为信息交互的主要平台扮演着重要的角色,已经成为人们日常工作、学习中不可或缺的组成部分,为我们的生活提供了极大的便利。但是,由于社交网络平台所具有的高度开放性,并且信息的传播具有复杂性,网络中传播的谣言信息为网络安全与社会稳定性带来严重的威胁,更有甚者扭曲事实,给社会带来了恶劣的影响。快速有效的识别网络谣言对于减少虚假信息传播的危害具有重要研究意义。本文尝试以复杂网络理论为研究基础,深入探讨网络谣言信息传播规律进行谣言溯源研究,其主要工作如下:（1）围绕社团聚类和网络节点中心性特征,提出一种融入客观赋权算法模型。首先,引入SIR（Susceptible Infected Recovered,SIR）传播病模型,利用其传播特征对网络节点进行模拟传播,构建网络传播结构。然后,通过熵权算法计算网络节点权值,考虑网节点权值嵌入特征,使用社区模块化聚类算法进行聚类,并对其中心性分数进行排序,最终通过MLE（Maximum Likelihood Estimate）算法实现源点预测目的,从平均误差距离和误差跳数等方面验证了算法的可行性。（2）基于深度学习框架研究了多源标签分类方法。与以往研究区别之处主要在于,本研究中网络节点标签值是通过传播动力学模型进行仿真所得。将标签值划分为感染节点和未感染节点标记为{-1,1},并从感染节点中随机选取多个源点。首次选取多个节点中心属性值作为模型特征输入向量,然后利用图卷积所具有的网络节点嵌入功能实现多源标签分类任务,并通过仿真实验进行了验证。本文采用社交网络真实数据集,对信息溯源机制进行了分析实验。仿真结果表明,文中所述模型和算法,能够实现传播网络中溯源研究工作,且取得良好的预测效果。