随着社交网络的不断发展，图数据处理的重要地位日益突显。相对于传统的数据类型，图数据更加复杂，表达的语义更加丰富。针对如此复杂的数据类型，寻找到高效的查询处理方法，对于提高社交网络的分析效率和图数据的质量非常重要。然而，在实际情况中图往往存在噪声或者由于对事物的认识存在盲点，图中存在着不确定性，因此图数据又可以分为确定图和不确定图。本文根据上述两种图分别给出针对确定图的子图查询算法和针对不确定图的子图查询算法。首先，对于确定图的子图查询，本文针对以往的算法大多采用静态消耗测算模式的问题，根据信息熵在信息度量中的作用，将条件信息熵作为启发式匹配的依据，将信息熵的概念引入到图数据查询中，建立以信息熵为度量标准的动态测算模型，并以该动态测算模型为中心研究并实现了基于信息熵的子图匹配算法。该算法减少了邻接点的匹配次数，提高了子图查询的效率。实验表明：基于信息熵的子图匹配算法具有更高的查询效率，且在幂函数分布的数据集上效果更明显。其次，对于不确定图的子图查询，本文研究并实现了一种基于信息熵传播模型的不确定图top-k子图查询算法。在算法中依据信息熵在网络邻域关系度量中的作用，提出了一种信息熵传播模型。该模型将不确定图数据转换为多维向量，通过设定阈值剪枝和删除非潜在匹配的标签来提高算法的效率。实验表明，基于信息熵传播模型的不确定图top-k子图查询具有较低的错误率，对于噪声的干扰具有强鲁棒性，且在大数据的情况下有更高的效率。最后，在理论研究基础上，设计并实现子图查询系统，以验证本文所提出的以上研究方法。以可视化效果验证了本文方法的准确性和有效性。