随着网络技术的高速发展,信息得以在全球飞速传播,社交媒体逐渐成为了大众获取资讯、交流与互动的重要途径。由于社交媒体使用者众多,每天都会产生大量的数据。然而,这些数据中的大部分信息都是没有价值的,导致用户很难从中获取有用资讯,降低了信息的使用效率。社交媒体账号分类就是从海量信息中识别出具有共性特征账号的过程。通过对账号进行分类,不仅可以有效提高信息获取的效率,还可以将获取的信息应用到诸如推荐系统、问答系统等实际应用之中。现有的社交媒体账号分类方法一般利用账号的属性信息或文本信息构建特征,并采用有监督的学习方法对账号进行分类。但在实际应用中,现有账号分类方法还存在着如下问题:账号有多种信息,但由于实际社交媒体具有噪声大、稀疏性强的特征,单一信息无法完整描述。此外,现有方法由于计算复杂度等问题,往往只能选择一种或几种信息,既没有对多种信息的融合过程进行更多思考,也没有考虑多种类型信息之间的隐含关系,造成信息的丢失,导致最终账号分类效果一般。针对上述问题,本文对社交媒体账号分类方法开展研究,主要贡献概括为如下两方面:（1）本文提出了基于多模态特征融合的账号分类方法。该方法在综合考虑账号自身属性、文本以及账号之间的社交关系这些信息的基础上,提取多模态特征,并使用张量的方式对这些特征进行融合。相比现有方法,本文提出的多模态特征融合的方法可以更好地利用账号的各种信息,获得更好的分类效果。通过实验,本文的方法达到了准确率为93.74%的效果。（2）本文提出了基于异质网络分析的账号分类方法。该方法首先对账号数据中各种类型信息进行建模得到异质信息网络。其次,在卷积神经网络的基础上,提出异质图卷积注意网络,将异质信息网络嵌入其中,并为不同类型的节点分配不同的权重。该方法对于放入的信息类型、数量没有限制,能进一步挖掘账号信息之间的隐含联系,提高账号分类的效果。通过实验,本方法取得了准确率为96.6%的效果,高于以往传统的账号分类方法,证明了本文方法的有效性。