跨社交网络的用户身份匹配的目的是检测来自不同社交网络的用户是否属于同一个人。这些社交网站中的信息在其它领域中通常具有重要意义,如信息扩散、链接预测、跨域推荐、隐私保护和身份验证等。当前,跨社交网络的用户身份匹配算法主要利用个人属性特征、网络结构特征和行为特征进行研究。虽然现有研究取得了一定进展,但是仍然存在一些不足,比如现有研究未能充分挖掘用户间的亲密程度、缺少大量准确可靠的标签用户,未能有效将全局网络结构特征与局部网络结构特征进行综合利用。因此,针对上述这些不足,本文做了深入研究并提出了两种用户身份匹配算法,具体研究内容如下:（1）针对现有方法忽略好友间亲密程度的问题,提出了基于好友亲密度的用户身份匹配算法（FCUM）。该算法是一种半监督的跨社交网络用户身份匹配算法,首先对社交网络中的用户好友关系进行扩展,接着利用派生的Skip-gram模型来获得用户向量空间。然后注意力机制被用于量化好友亲密度,进而生成亲密好友向量空间。通过在单一目标函数中对用户个体相似性和亲密好友相似性进行联合优化,充分利用了用户个体相似性和亲密好友相似性。此外还设计了双向匹配策略用于解决人工标记标签用户代价较高的问题。在公开数据集上的实验表明,所提出的算法优于其它仅考虑用户个体相似性的方法。（2）针对现有方法对局部网络结构特征利用不足的问题,提出了基于多阶好友结构的用户身份匹配算法（MLUM）。该算法首先对用户的多阶好友结构特征进行了挖掘,生成能够表示社交网络中用户的低维向量。然后设计了基于自编码器的孪生网络来获取更高效的用户向量。接着该算法构建了一个动态策略选择机制来增强模型的整体预测性能。最后,该算法通过协同训练框架同时利用了全局与局部网络结构特征,增强了新标签用户的可信度。在公开数据集上的实验表明,所提出的算法与现有的几种基于用户网络结构的方法相比提高了匹配精度。