摘要：随着信息技术的飞速发展,互联网上每天都会产生数量极其庞大的数据。如何从海量数据中更准确、更快捷的发现话题,并对其相关话题进行分析追踪是近年来的一个研究的热点。本文从文本信息到向量空间的转换开始入手,首先介绍了现有常用的文本向量空间建立方法,并在分析其不足的基础上,结合网络博客的特点,提出了一个利用更适用于博客话题发现的改进TFIDF算法来构建文本向量空间的方法,以求达到更准确的文本向量转换效果。其次,在特征选择的基础上,本文试图通过特征重构的方法,来进一步实现文本话题向量空间的降维。通过对基于特征矩阵分解的潜在语义索引方法的详细介绍与实验验证,分析了其在话题发现应用上的有效性以及可行性。再次,本文通过对现有各种思想的聚类方法的比较分析,分别总结了其优势所在及缺点不足,并在此基础上,进一步提出了一个新的HD-K-means聚类算法,主要解决现有算法中对初始值选择的敏感性问题、对输入参数选择的依赖问题、聚类结果容易陷入局部最优问题等一系列问题。通过对聚类结果的分析,针对每一话题提取一对标签,简单的通过细粒度话题分析的方法实现了话题的发现。接下来,本文通过对各种分类算法的分析比较,结合博客信息以及话题追踪的特点选取朴素贝叶斯分类器来实现话题追踪的分类过程,重点对其分类特征属性的选择和类条件概率的计算的方法进行了改进,并简单的实现了话题的追踪报道。最后,基于以上工作,本文对基于博客的网络话题发现及追踪进行了仿真实现,并在分析结果的同时,总结了本文研究的不足之处以及今后的研究重点和研究方向。