随着互联网技术的快速发展,网络媒体成为人们发布和获取新闻信息的重要平台,同时也成为广大网民扩散和讨论新闻事件的集散地。在此背景下,舆情演化分析的研究热度逐年攀升。舆情演化分析是包括话题抽取与情感极性分析在内的多种技术的综合,其中话题抽取可以展现相关事件的话题发展脉络,情感极性分析可以展现网民对相关话题的情感极性和强烈程度。将功能相互补充的话题抽取与情感分析相结合则可以用更加全面的视角展现舆情演化信息,然而相关研究在两个方面仍存在一定缺陷:在话题抽取中,传统话题模型用关键词进行话题表示,导致话题的语义完整度不够;在情感极性分析中,语言模型缺乏句子级预训练的问题使得情感分析模型的逻辑感知和语义表达能力不足,进而导致模型的情感极性分类效果有待提高。对于以上研究中存在的问题,本文首先提出一种基于文本摘要的舆情话题抽取方法,即用文本摘要取代关键词进行话题表示,旨在提高舆情话题的语义完整度;然后提出一种基于迁移学习的舆情情感极性分析方法以增强模型的逻辑感知与语义表达能力,进而提高模型对新闻舆情的情感极性分类效果。在此基础上,本文设计并实现融合话题与情感的舆情演化分析系统,用更加精确、多维的方式呈现舆情的演化过程。具体而言,本文工作主要包括以下三个方面:（1）针对传统话题模型难以对新闻舆情进行语义完整的话题抽取的问题,本文提出基于抽取式摘要的话题抽取模型Sum Topic。模型从新闻文本中选择最为关键的句子作为话题表示,有效避免了传统话题表示方法信息不足的缺陷。同时本文基于正交分解策略对摘要模型的打分机制进行改进,从而更容易挑选出足够重要的句子。在CNN/DM和NLPCC数据集上的实验表明,模型能抽取出比基线模型更好的文本摘要。（2）针对语言模型缺乏句子级预训练任务导致其逻辑感知和语义表达能力欠缺问题,本文提出基于迁移学习的情感极性分析模型Trans-Emotion。模型首先在新闻舆情数据中进行句子级文本排序任务,该任务训练模型将局部扰乱的文本恢复为正常语序的能力并以此来提高模型的逻辑感知与语义表达能力,之后将学到的模型编码参数迁移到情感极性分析模型中。迁移学习可以为情感极性分析打下良好的语义编码基础,模型进而可以获得更高质量的句子特征表示。在公开数据集上的对比实验表明,迁移学习有效增加了模型对新闻舆情的情感极性分类效果。（3）本文设计并实现了融合话题与情感的舆情演化分析原型系统。结合以上所提的Sum Topic模型和Trans-Emotion模型,并在充分的系统设计以及功能验证后,本文构建了融合话题与情感的舆情演化分析系统。系统可以从情感与话题双视角展现舆情演化过程。作为检验,本文以“新冠肺炎”相关舆情为例,展示了系统的实际运行效果。