在移动互联网不断发展的今天,人们逐渐喜爱在Twitter、微博等在线社交应用上对所在地区、全国各地乃至世界上任何一个角落发生的事件表达自己看法或见解,如常见的发帖、评论等,由此生成大量的文本数据流。这些文本数据流凭借其数据量大、实时性高、参与面广等特点,已然成为现实世界事件的传感器。面对如此庞大的文本数据,分析并提取其中正在讨论的热点话题,不仅为人们提供了解实时新闻的途径,还可以帮助政府机构引导舆情。然而,相较于传统新闻媒体来说,面向社交媒体的文本数据流普遍存在内容篇幅简短、数据格式不规整和干扰数据过多等问题,使得其在话题检测任务中面临着更多的困难。此外,文本数据流自身存在的分布动态变化现象——概念漂移,也为热点话题检测带来一定限制和挑战。为了探索以上问题,本文提出基于文本数据流的动态热点话题检测算法,主要工作列出如下:（1）针对文本数据流中频繁发生的概念漂移现象,本文提出一种基于Kruskal-Wallis统计检验方法的概念漂移检测算法KWTDD。通过KWTDD及时、准确地检测出文本数据流中数据分布变化,并通知数据流在线学习模型进行动态更新来快速适应变化后的数据流,从而提高数据流模型的学习效果。此外,本文还设计漂移预判断模块来实现快速跳过文本数据流中的平稳阶段,以达到有效加速原有学习模型执行效率的目的。（2）为实现文本数据流的热点话题检测任务,本文提出一种基于聚类的话题检测算法CHClustream。该算法主要包含两个部分,其一是CHECM话题聚类算法,主要针对DBIECM聚类算法中存在的时间效率低下、聚类效果较差的问题进行改进。其二是在原有TF-IDF的基础之上使用文本关注度、用户影响力等因素进行增强的TF-IDF-AE话题提取算法,期望在话题检测数设置较少时,提高话题提取准确性。（3）针对以上提出的两种算法,本文设计多组对比实验来进行验证。首先,基于MOA（Massive Online Analysis）数据流实验平台,将KWTDD与其他7种常见概念漂移检测算法在27个数据集上进行实验。结果表明,使用KWTDD作为概念漂移检测器的数据流学习模型表现最好,在83.33%的人工数据集上获得最高的F1分值。之后,本文将CHClustream在包含100万条推文的新型冠状病毒肺炎数据集上进行实验,相比其余6种常见的话题检测算法,CHClustream不仅获得较高话题查全率,还能够相对较早地检测到话题。最后,将KWTDD与CHClustream结合实现话题检测的实验也验证出KWTDD具有提高话题检测实时性的能力。