随着互联网的快速发展,网络数据爆炸式的增长,复杂网络已成为当下国内外专家、学者的研究热点。在近些年的研究过程中,研究人员通过收集大量真实网络数据,总结出了不同领域的复杂网络的特征,并发现复杂网络中节点影响力最大化的研究对于社会发展中的商业推广、信息监控和控制疾病传播等多个领域有着非常重要的意义。通过阅读大量的文献资料,学习复杂网络领域的相关基础理论并深入的分析k-shell分解算法和结构洞特征的节点影响力排序问题,以及对选择最佳种子节点影响最大化的不足。结合目前的研究现状及存在的问题,提出以下两种算法。首先,针对k-shell分解算法划分粗粒化的问题,提出一种基于k-shell与结构洞特征的节点影响力排序算法。该算法考虑形成结构洞特征网络中存在伪核心节点和网络中真实度分布,然后结合“结构洞”约束系数对节点局部属性的影响与衰减函数的对伪核心节点的作用,得到节点影响力排序的相关系数指标,进而识别出节点影响力排序的精准度。其次,深入学习分析启发式VoteRank算法的影响最大化特征,提出一种基于启发式双层投票的影响最大化算法。该算法考虑节点集间存在传播影响力重叠问题,充分利用次邻居节点的投票贡献度,选取最佳种子节点集合,并采用独立级联模型,依据感染比例和感染概率衡量指标,评价提出的算法有效性。最后,分别选取三个真实的网络数据集在SIR传播模型和独立级联模型上进行仿真实验,并与几个经典算法作对比,分析实验结果并得出结论。