近年来,随着Web2.0的飞速发展,在线社会关系网络如社交媒体成为互联网服务与应用的主角。截至2018年12月31日,微博垂直领域高达60个,月活跃用户连续三年增长7000万,达到4.62亿;Twitter的日活跃用户数量为1.26亿,月活跃用户达到3.21亿。大量的活跃用户通过社交媒体观察和了解世界,使得每天有上亿条信息在互联网上飞速传播。这些网络信息记录了人们参与、监督并影响世界的行为,为众多学术研究者提供了宝贵的信息资源。本文以新浪微博为主要研究场景,针对微博信息的组织与序化问题,提出多特征融合的微博信息主题识别及热度预测研究。具体包括两个方面,分别是融合浅层文本特征和深层语义特征的主题识别研究和基于自激励霍克斯过程的主题热度预测研究。在微博信息主题识别问题中,由于微博短文本在信息表达方面往往存在口语化程度重、网络用语多的问题,使得信息表达不集中。本文通过词汇特征词嵌入的方法提取深层语义特征,并与基于LDA的文本分布特征相融合,消除由于微博短文本的稀疏性与不规则性带来的数据处理问题。然后使用聚类算法实现主题识别工作。同时,针对不同文本表示方法,如LDA特征、TF-IDF值以及词向量进行对比试验。实验结果表明,使用融合特征的方法取得了更优的主题识别效果。在微博主题热度预测问题中,本文首先结合微博的用户特征与传播特征,设计微博主题的热度计算公式。具体包括用户的认证信息、推文数、粉丝数以及微博的转发数。然后基于微博信息的早期传播历史,预测微博主题热度的未来趋势以及具体数值。具体地,针对微博消息每次转发到达的时间序列信息,利用自激励霍克斯过程进行建模,从而刻画微博信息传播的动态过程,再结合主题热度计算公式,完成最终的预测工作。最后将预测结果与其它经典预测方法进行对比。实验结果表明,本文模型对主题热度预测有更好的性能表现。