随着当今社会的日益发展,社会任务变得越来越多样化和复杂化,在这种情况下个体专家通常难以独自解决问题,这就需要不同的专家组成团队、互相合作、资源共享来共同解决复杂多样化的问题。另外团队成员之间还应该保持良好的合作关系,从而降低合作成本,并且高效地去解决问题。如何去寻找一个成本低,效率高的团队,对于解决很多社会化问题来说是一个重要的工作。专家发现问题的研究在近几年来变为一个热门的研究工作。但是目前现有的专家发现方法还存在一些问题:首先现有的专家发现方法没有考虑到社会网络结构中节点与节点之间的关系;其次,目前一些算法都是搜索整个网络空间来寻找团队,当网络节点数目非常大时,时间开销将会很大。针对这些问题、本文研究了基于社会网络的专家发现方法,论文主要研究工作以及创新点包括以下方面:首先,在讨论分析社会网络研究中使用的一些基础理论及相关技术基础上,给出基于社会网络的专家发现问题中的形式化描述,给出相关概念和专业术语的定义。将专家发现问题划分为个体专家发现问题、专家团队发现问题和Top-k专家团队发现问题等三个子问题进行研究,并分别给出问题的形式化语言描述。其次,针对三个子问题分别进行个体专家发现方法研究、专家团队发现方法研究和Top-k专家团队发现方法研究。针对个体专家发现问题提出了 MIREDA算法寻找个体代价最小的专家;针对专家团队发现问题中的双目标优化问题采用邻近中心性来度量每个节点在社会网络中重要性,结合邻近中心性提出MCCEDAA算法和MCCIREDA算法;针对Top-k专家团队发现问题提出Top-k EDA算法寻找k个最佳的专家团队。同时,阐述上述每一种算法的主要思想、形式化描述,并且讨论分析了它们的时间复杂度。最后,通过抽取DBLP数据集和IMDb数据集中的部分数据进行预处理,提取出满足本文要求的实验数据,设计和实现实验来验证上述所有算法的可行性和高效性。从团队个体代价、团队合作代价、团队总体代价、团队成员数目、算法运行时间以及算法的可扩展性等方面去分析和比较上述算法,实验结果验证了算法的可行性和正确性。