当今时代,随着信息技术的飞速发展,互联网中积累的数据越来越多,信息泛滥愈加严重。如何从大量的社交媒体数据中挖掘出用户感兴趣的主题,成为当今信息时代需要解决的重要问题。以LDA（Latent Dirichlet Allocation,潜在狄利克雷分布）为代表的概率主题模型的出现及发展为解决热门主题的挖掘与特征分析提供了有效途径。微博数据作为重要的社交媒体数据源,对其进行主题挖掘和主题特征分析有着巨大的应用价值,本文利用适合短文本处理的主题模型BTM（Biterm Topic Model,词对主题模型）进行微博文本的主题提取,并从时间和空间层面对主题特征进行分析,主要研究内容包括:（1）对2016年9月20日至25日和10月1日至7日发布的292万余条微博数据进行预处理,得到约90万条有效数据,利用BTM进行主题建模得到48个主题并进行地理可视化,结果表明,微博主题在空间上交错分布,个体层面具有随机性。（2）空间层面,通过构建主题特征向量,利用余弦相似度计算了主题之间空间分布的差异性,发现旅游主题的地域分布特征最为明显。根据主题的空间分布特征,选取创业、美食、交通出行等六个主题作为研究对象进行空间自相关分析,并利用空间扫描统计方法对具有聚类模式的主题进行热点区域探测;时间层面,通过研究主题微博数量随时间的变化趋势,发现与娱乐、游玩等相关的主题多呈现出先增后减的变化特征,而与出行、工作等相关的主题多呈现出先减后增的变化特征;时空层面,通过构建城市特征向量,利用余弦值度量省会城市在日常和假日的相似性,结果表明在日常,各省会城市之间的相似度比较高,而在假期,省会城市之间的差异性被突出。通过构建北京、上海、苏州和丽江日常和假日的旅游主题城市交互网络,结果表明,无论日常还是假日,北京、上海均以出向旅游为主,而苏州、丽江则以入向旅游为主。（3）选取特定主题-路面塌陷,通过网络爬虫获取2013年1月1日至2018年1月1日相关的8万余条微博数据,利用BTM模型得到每条微博的主题类别并引入情感属性,对塌陷事件在时间和空间上的分布特征进行分析,结果发现,路面塌陷事件的关注度正在逐年下降,各主题下人们的主观情绪强度与事件发生数量有较强关系,而与微博数量关系较弱,且情绪较强的多为造成伤亡类的事件。通过对微博数据的分析,有助于挖掘重要的主题及其演化规律,对于事件探测、热点话题发现、舆情分析等具有重要的意义。