社交媒体的快速发展,为持续监测数百万人的个人健康报告提供了前所未有的机会。健康监测能够对疾病研究起积极作用。传统的以调查为基础的监测方式资源有限,且具有一定的滞后性。微博上大量的自我健康报告数据能够作为传统监测方式所需的正式报告以外的很好的补充数据,辅助相关机构进行疾病研究,帮助发现季节性、地方性、流行性疾病。实现监测的关键一步是识别真正的症状报告微博内容。本文提出了一种针对微博中文短文本的症状提及识别模型（WCCL＿MCNN）。通过结合文本词级别、字级别、扭曲质心、基于质心的扩展特征的联合表示模型（WCCL）构建文本表示,然后将其输入卷积神经网络提取更高层次的语义信息训练一个高性能分类器完成症状提及识别任务。相较于传统的文本分类模型,文本联合表示模型能够从不同层面表示文本,同时基于质心的扩展特征能够提升分类器的泛化能力,最后利用卷积神经网络学习提取更高层次的局部特征,经过池化、全连接层和Softmax回归层进行文本分类。实验证明,对于微博症状提及识别分类任务,本文的模型能够在一定程度上解决短文本特征稀疏和类别不平衡的问题,具有较好的性能。本文也将理论与实际相结合,应用微博症状提及识别模型,开发了微博健康监测系统,连续、系统地收集微博用户症状报告,最后以全国分布热力图,症状报告具体位置表,数量趋势折线图等形式展示给用户,使其清晰明确的看到微博上相关症状报告时间空间上的分布情况。为相关研究人员提供大量的健康报告统计数据,辅助监测公共健康、疾病研究、发现季节性、地方性、流行性疾病等。