随着Web2.0的发展,诸如Twitter、新浪微博等社交网络平台作为新兴媒体,改变了信息的传播方式,并在大众中愈加普及流行。但是,由于开放性、普遍性、低成本、便捷性等优势,社交网络也成为各类攻击者的目标。处于平台监管灰色地带的灰帽用户大量活跃在平台上,发送海量重复内容,影响白帽用户的正常使用,威胁平台安全性能。如何识别灰帽用户对其进行甄别筛选,阻止大量冗余信息充斥整个社交网络平台已成为近年来的热点课题。本文从用户生成内容所体现的传播模式角度入手,学习分析单条用户生成内容的传播时空特性和用户生成内容序列间的传播上下文特性,挖掘灰帽用户和白帽用户的区别实现灰帽用户检测,并在此基础上结合信任传播优化算法提升灰帽用户检测性能。首先,分析用户生成内容文本在传播过程中分别在传播时序和传播空间上体现的特性。时序特征为内容传播过程中在时序上体现的特性;空间特征是由内容传播过程形成的传播网络图所体现的结构特性。并与其他相关灰帽用户检测特征进行对比,验证了传播时空特征的有效性。其次,分析用户生成内容文本序列在传播上下文上体现的特性,包括时序上下文和标签上下文特性。其中时序上下文关系学习用户生成内容序列间的依赖关系对灰帽用户检测的影响,标签上下文关系考虑用户生成内容的标签序列对检测的影响。在此基础上设计实现了一种集成传播时空及上下文特性的社交网络灰帽用户检测机制（Diffusion Spatio Temporal Context Characteristics,DSTCC）。DSTCC对用户生成内容进行文本表征,并结合传播时空特征,以此作为输入学习用户生成内容文本序列间的上下文依赖关系,并与其他检测算法进行对比,验证了DSTCC在检测特征和检测方法上的有效性。在此基础上,针对DSTCC检测中信任得分处于分类界限模糊的用户,为进一步提高检测性能,将DSTCC所得信任值作为信任网络中用户节点的初始信任值,并对其邻居和非邻居用户进行信任分配构造信任网络。在此基础上进行信任传播迭代优化使用户节点信任值达到稳定状态,最终基于该信任值判断分类,提升灰帽用户检测效果。