近年来,在线社交网络在世界范围内迅速普及,成为人们日常交流、信息获取和讨论热点事件不可或缺的工具。人们加入多个不同社交网络平台,如微博和推特,能够同时享受不同的服务。作为跨平台用户的自然人则充当了连接多个网络的桥梁。跨社交网络用户对齐问题旨在从多个不同社交网络上的众多虚拟账户中寻找相同的自然人。该问题由于其在跨网络商务推荐、链路预测、网络空间安全等应用领域的潜在实用价值受到学术界和工业界的广泛关注。当前,跨社交网络用户对齐的研究主要面临四个方面的问题:一是用户属性呈现多样化,缺乏处理多种类型属性文本的通用方法;二是用户属性文本中隐藏的高层语义信息难以捕捉;三是用户属性特征和网络结构特征不平衡,传统方法难以有效应对;四是标记数据获取困难影响模型效果提升。为解决上述问题,本文在归纳阐述用户对齐研究统一框架的基础上,重点研究跨社交网络用户对齐方法,研究内容包括以下三个方面:（1）对于社交网络中用户属性多样化、高层语义难以捕捉等问题,本文提出一种基于多级属性嵌入和约束典型相关分析的用户对齐模型（MARUA）。该模型通过多级属性嵌入有效地捕捉多种类型属性文本特征及其高层语义特征,并采用一种基于约束典型相关分析的线性投影方法将不同社交网络中用户特征投影到统一的潜在向量空间,使得不同网络中的相同用户之间距离最小。与传统的有监督学习模型相比,MARUA大大减少了模型运行所需的标记数据,节约了数据采集与模型训练的成本。（2）针对用户属性特征和结构特征不平衡、标记数据获取困难等问题,本文提出一种基于多粒度用户属性和关系联合嵌入的用户对齐模型（JARUA）。该模型通过自动识别属性文本粒度级别和表示学习方法来抽取多类型用户属性特征,并采用图注意力神经网络来学习面向用户对齐问题的网络结构特征。最后,JARUA设计了一种迭代训练算法,通过利用未标记样本和两种过滤机制来获取高质量自动标记数据,从而取得了更好的用户对齐效果。（3）本文构建了两个真实社交网络对齐数据集（微博-豆瓣和DBLP17-DBLP19）。该数据集包含多种类型的用户属性信息,具有真实社交网络的结构特性,支持对多种用户对齐模型进行测试和评估。我们在此数据集上对所提出的两种用户对齐模型进行了验证和评估,实验结果证明了本文所提出模型的有效性和优越性。