可以说自从有了人类以来就产生了社交网络,而研究人类在社交网络中的行为模式与相互作用原理一直是学术界的热门领域。然而针对真实的人类社交网络,由于数据采集、试验困难等的限制,对社交网络的研究一直停留在定性分析的层面。各种在线社交应用的流行带来了数据量的激增,海量的用户行为数据被记录下来。这为我们更好的研究社交网络中的人类行为带来了便利。本文以复杂网络理论为基础,以新浪微博平台为数据来源,从宏观层面和微观层面对微博用户的行为特征进行了分析。宏观层面上对微博用户行为产生的用户网络特征进行了实证统计研究,验证了微博网络的小世界特性和无标度特性,与复杂网络特性相吻合,奠定了后续研究的基础；微观层面上对微博用户的个体属性,发微博行为和微博转发行为进行了实证分析,并通过对比分析,对微博上spam用户的行为进行建模。然后首次提出了利用增量学习的支持向量机(I-SVM)算法结合spam用户行为模型对其进行动态检测的方法,并进行实验验证了该方法的有效性。实验表明此方法准确率高,并且可以有效应对spam用户行为的动态性问题。而且基于支持向量机算法对数据维度不敏感的优点,此方法的运行效率高,可以应对大规模数据集的处理。