伴随着互联网技术的日渐普及,越来越多的用户开始接触社交网络并养成了使用社交网络的习惯。人们关心的日常话题会在第一时间以最快的速度通过社交媒介传播开来,尤其是与人们生活密切相关的国民安全话题。突发话题出现时,大量的相关舆情信息会在以微博为代表的社交网站中传播。为了能够迅速准确地检出相关的突发话题,本论文实现了海量数据的实时采集和突发话题检测、挖掘与演进规律发现系统,采用自然语言处理技术等高效地检测突发话题,并基于检测出的突发话题实现话题挖掘与演进规律发现。本文完成的主要工作如下:(1)提出了社交网络国民安全信息的采集与深度特征提取方法。针对社交网络文本数据存在的语义稀疏性和二义性等问题,提出了基于文本相似度的短文本扩充算法(UCSE)。UCSE算法在对文本进行扩充的基础上利用双向长短期记忆网络,进一步提取了文本深度特征。(2)提出了基于社交网络突发特征识别和过滤的突发话题检测算法(BTDF)。BTDF算法利用微博文本中词的基本权重和突发权重,识别出突发特征。通过对微博文本的短时间和长时间前置信息的分析,过滤伪突发特征。结合识别出的突发特征和当前时间片话题发现的结果,检测出突发话题。实验结果表明提出的BTDF算法能够准确有效地检测出突发话题。(3)提出了突发话题挖掘与演进规律发现算法,实现了对突发话题不同时间片内话题特征的挖掘。话题的特征通常包含话题热度、关键词等特征。通过挖掘话题周期内微博的评论数、点赞数、博文数的变化,进行热度的演进规律发现。通过结合微博文本中词的语义相关性和共现关系,提取文本关键词。通过展示话题不同维度的话题特征随时间序列的变化,实现了演进规律发现。(4)设计并实现了社交网络国民安全突发话题检测、挖掘与演进规律发现系统。验证了所提出的算法的可行性和有效性。系统共包含四个模块:社交网络数据采集与深度特征提取模块、国民安全突发话题检测模块、突发话题挖掘与演进规律发现模块和系统展示模块。