随着热点案件的发生而伴生的涉案舆情新闻迅速传播,涉案新闻的主题分析及匹配变得尤为重要,亦是舆情监测的重要组成部分。然而,由于涉案新闻的数据来源广泛,格式多样化,网络爬取的涉案新闻文本分布不均衡,文本结构和语义差异性大,并且含有较多冗余信息,常规的主题分析方法很难抽取出涉案新闻中具有涉案偏好的主题信息,同时也导致了涉案新闻文本匹配性能较差。本文首先过滤出爬取新闻中的涉案新闻数据;其次从规整法律文书数据中解析出罪名,并融合罪名分类辅助涉案新闻主题分析,旨在生成具有涉案偏好的主题信息;最后融合具有涉案偏好的主题信息与实体知识进行涉案新闻匹配,为涉案舆情监测提供技术支撑。主要完成以下研究工作:（1）构建涉案新闻的过滤、主题分析及文本匹配语料库本文基于Scrapy网络爬虫框架,利用Xpath网页解析方法,爬取热门站点的新闻文本和法律文书数据。构建解析规则对爬取的法律文书数据及近年的13个热点案件相关的新闻数据进行解析、标注和清洗,分别得到涉案新闻过滤、涉案新闻主题分析和涉案新闻匹配数据集。（2）提出了一种融入主题信息的涉案新闻PU学习过滤方法由于涉案新闻数据来源涉及各个领域,写作风格不统一,无法制定完备的涉案规则进行数据获取。因此,本文提出了一种融入主题信息的涉案新闻PU学习过滤方法。首先训练一个基于变分自编码器的主题模型,用于获取主题信息指导正负样本选择,其次将主题信息用于增强PU学习的迭代过程,旨在提高涉案新闻过滤的准确率。实验结果表明,本文所提方法在涉案新闻过滤任务中F1值领先1.8%。（3）提出了一种融合罪名分类的涉案新闻主题分析方法涉案新闻主题分析是抽取出涉案新闻中具有涉案偏好的主题信息,然而常规的主题模型很难抽取出具备涉案偏好的主题信息。因此本文提出一种融合罪名分类的涉案新闻主题分析方法,旨在生成具备涉案偏好的主题信息。由实验分析可知,本文所提方法相比基准模型,主题可解释性最大提升5%。（4）提出了一种融合罪名主题与实体知识的涉案新闻匹配方法由于涉案新闻数据来源广泛、内容表述多样化,导致涉案新闻文本语义、结构差异性增大,并且含有较多冗余信息,常规的文本匹配方法不能取得良好的性能。同时本文分析发现相同案件下的涉案新闻具有相似或相同的罪名主题与实体知识,由此本文提出一种融合罪名主题与实体知识的涉案新闻匹配方法。实验结果表明,本文所提方法相比基线模型F1值最大提升5.5%。（5）设计与搭建了涉案新闻主题分析及匹配原型系统当本章得到新的新闻文本时,分别输入系统中的涉案新闻过滤模型,涉案新闻主题分析模型和涉案新闻匹配模型,判断其是否涉案,分析涉案主题信息,并匹配于某一类热点案件,将其展示于用户,为舆情监测提供技术及平台支撑。