近年来,在食品安全领域频繁出现各类问题,引起社会舆论的广泛关注。本文对食品安全话题发现与热点跟踪技术进行了研究,论文完成的主要工作如下：(1)提出了一种C-KMC话题发现算法,该算法可分为C过程和K过程。在C过程中采用计算开销较小的相似度计算函数,将整个样本集分割成多个子集,这些子集可以在保证不破坏文本簇的结构的基础上,减少了参与聚类计算的样本。在K过程中采用Xmeans聚类算法,在每个样本子集上进行聚类并发现话题。(2)提出了一种基于Chi-square相关度度量的特征聚合算法C-SRFC,可在文本分类过程压缩特征空间维度,从而减少分类过程中的计算开销。给出了三种特征簇排序机制,可在特征聚合完成后对特征簇的重要性进行排序,去除相关度较弱的特征簇,从而进一步减小特征空间的维度。实现了一种特征簇加权方法CF-IDF,并与Hard-Weighting和TF-IDF累和特征簇加权方法进行了比较。实验结果表明,CF-IDF可以更好地适应本文提出的特征聚合算法C-SRFC所构建的特征空间。(3)设计并实现了食品安全领域话题发现与跟踪系统,该系统具有文本获取、话题发现、话题跟踪和话题展现的功能,并可以将发现的话题标注在网络地图上。本系统集文本采集、话题发现、话题跟踪和前台展示功能于一体,对实时在线获取的报道文本流进行分析,将食品安全领域的最新话题和它们的动态以图文的形式展示给用户。本系统可以帮助大众和食品安全监管部门尽快地了解最新的食品安全事件,并采取相应的应对措施。