随着互联网的出现及其近年来的飞速发展,人们开始进入信息爆炸的时代。通过互联网阅读新闻成为人们越来越重要的手段,面对如此浩瀚的互联网新闻,如何快速、准确的从这些海量数据中获取有用的信息,特别是最近一段时间发生的大事、热点,成为了人们迫切的需求和研究人员关注的焦点。本文研究并实现了互联网新闻的热点挖掘系统,先使用文本分类的方法对新闻报道分门别类,然后使用话题检测与跟踪的技术,自动形成一系列的专题。以标题、相关词群、事件趋势图等来表示某一个专题,用一种关注度计算方法对专题进行打分排序,把最新最热的专题呈现给用户。这样,用户就可以很方便地根据自己的兴趣选择某个领域的某个专题去浏览。本文的研究内容主要包括以下几个方面:(1)分析了文本分类使用一般特征选择方法所存在的问题,在此基础上提出了一种基于类别特征域的特征选择新方法来改进文本分类的效果。(2)对传统的话题检测与跟踪算法进行改进,提出了一种基于双时间窗、凝聚式层次聚类与单遍聚类相结合的二次聚类的话题检测与跟踪算法,引入了时间衰减因子、增量倒文档频率和基于时间距离的相似度计算公式,使用更新事件模板的方法有效地处理话题漂移问题。(3)结合本文提出的算法,设计并实现了互联网新闻热点挖掘系统,以发现最近一段时间的热点新闻和重大事件。在文本分类评测中把本文的基于类别特征域的方法与互信息、信息增益和开方检验做了比较,证明了基于类别特征域方法的优越性。在话题检测与跟踪评测中,使用了三个数据集,把本文的基于双时间窗和二次聚类的方法与直接使用K-means、单遍聚类和凝聚式层次聚类作了对比实验。实验结果表明,本文提出的方法优于其它方法,达到了预期的效果。