目的以突发公共卫生事件为分类场景,分析影响突发公共卫生事件中网民分类的多种因素,从多个方面综合考虑网民自身特点及其与事件的关系,综合利用网民多种类型的特征,从多个维度分析网民特点,构建一种此场景下的多维细粒度的网民分类模型。方法通过总结国内外网民分类的相关研究,结合网民自身的特点如网民自身的人格特点、兴趣偏好、活跃度等,和具体的分类场景,综合网民与事件的关系、网民在事件中的作用,根据相关理论,确定了网民分类的四个维度,网络人格标签、网民影响力、事件关联度和主题关注度。通过Word2vec扩充简体中文版LIWC词典构建人格词典,基于网民发布的博文文本,基于人格词典计算网络人格得分,分析网络人格标签;通过层次分析法确定传播力、活跃度、可信度三个特征组及具体特征指标的权重,构造影响力公式,计算网民影响力;利用Python工具编写程序对网民与事件间的关联度特征进行匹配,计算得到事件关联度;通过TF-IDF和LDA主题模型提取网民博文文本和事件相关文本的特征词,利用向量相似度计算,分析网民对事件的主题关注度。进而依据四个维度及各维度下的方法进行综合分析构建网民分类模型——ICN模型,并且选取一目标事件对网民多维分类的结果进行呈现。结果通过构建的网民分类模型,将网民划分为八个类别。通过对四个维度进行综合分析,事件关联度和主题关注度共同决定了网民与事件的相关性,从这两个维度共同分析网民与事件的相关性,从多个维度将网民分为高影响高相关高神经质（Influence,Correlation,Neuroticism-High,简称ICN-H）网民,高影响高相关低神经质（IC-H）网民,高影响低相关高神经质（IN-H）网民,低影响高相关高神经质（CN-H）网民,高影响低相关低神经质（I-H）网民,低影响高相关低神经质（C-H）网民,低影响低相关高神经质（N-H）网民,低影响低相关低神经质（Influence,Correlation,Neuroticism-Low,ICN-L）网民。通过从四个维度构建的网民分类模型及具体分析方法,选择武汉封城事件对网民分类结果进行呈现,根据突发公共卫生事件的特点,选择事件关联度下网民所在地这一特征指标,进行事件关联度的匹配计算,武汉封城事件下得到122名关联度较高的网民。利用TF-IDF关键词提取和LDA主题模型进行微博网民兴趣偏好挖掘和事件的主题特征提取,通过计算网民的关键特征词与突发公共卫生事件主题词的语义相似度,武汉封城事件下得到496名兴趣主题关注度较高的网民。通过传播力、活跃度、可信度三个特征组及各组的具体特征指标,计算网民的影响力,武汉封城事件下得到446名影响力较高的网民。通过对简体中文版LIWC词典进行扩充得到人格词典,利用人格词典各类别词汇与人格特质的皮尔森系数计算网络人格得分,武汉封城事件下得到342名神经质性较高的网民。结论（1）综合分析网民的内外部特点,结合网民自身的特点、网民与其他网民之间的关系、网民与事件之间的关系,从这些角度出发,结合大五人格理论、价值累加理论、解释水平理论、参照群体理论、两级传播理论和相关研究,将兴趣挖掘、人格特质引入分类思想,确定了网民分类的四个分类维度—网络人格标签、事件关联度、主题关注度和网民影响力,从四个维度将网民划分为八个类别,构建了网民多维分类模型——ICN模型。（2）在突发公共卫生事件场景下,构建多维的网民分类模型,从各个维度综合地对网民进行分析,能够对网民进行多维细粒度的分类。四个维度能够分别从网民自身是否更容易产生负面情感、网民和事件的相关程度、网民对事件的兴趣关注程度、以及网民在网络中的影响力度对网民进行分析,使划分的每类网民群体有更细致的特点描述。