随着互联网技术飞速发展,网络已经成为人们了解国内外动态的最直接途径,尤其是随着国内今日头条、网易新闻等软件的崛起,愈发有更多的人们选择通过在线新闻来了解时事。与此同时,由于网络的虚拟性,部分不法分子利用网络传播虚假信息,稍有不慎就会造成社会的恐慌与不稳定,因此,对于网络安全监管工作而言,突发事件的检测与预测工作的重要性是不言而喻的。论文提出了一种基于改进的自动编码器的突发事件检测与预测方法。由于在将新闻文档转化为向量后,文档的向量维度较高,且具有稀疏性,论文提出一种基于改进的自动编码器的文档降维方法(K-Competitive Autoencoder with R-Threshold,KAER),利用模型的隐藏层中神经元来表示降维后的文本向量。另一方面,针对基于生物生长理论的突发事件预测模型中事件的话题热度值受所在时间窗影响的问题,论文提出改进的能量衰减方案,使其更适应实际中新闻文本数量随时间变化而有所改变的情况。论文的主要工作以及创新如下所示:(1)分析目前文本向量表示方法的优缺点,并结合新闻文档的自身特点,使用基于词典的空间向量表示模型,基于新闻文档的向量的高维度、稀疏性的特点,提出KAER算法用于向量的降维处理,并采用改进的Single-Pass方法对降维后的新闻文档向量进行聚类。(2)通过分析已有的突发事件检测方法,论文提出基于生物生长理论的突发事件预测模型,并通过改进话题的能量衰减计算方法,结合改进的基于增长率的预测方法,构造了网络新闻热点事件和突发事件预测模型。(3)论文基于真实可靠的网络新闻数据,并通过对比实验验证了论文所提出的文本向量降维的方法的可行性与有效性,评估了改进的主题热度值计算方法的可靠性。