随着互联网的飞速发展，互联网信息呈现爆炸式的增长，对这些信息进行有效的组织和管理变得更加困难，时常会出现信息过载现象。为了有效的组织和管理这些信息，话题检测与跟踪技术应运而生。其主要的目的是针对不同的新闻报道信息流进行新话题的检测以及跟踪已知话题的后续报道。根据话题检测的特点使用层次聚类能够在不设定类别个数的前提下进行聚类，对话题进行检测。层次聚类能够很好的适应话题检测的需求，并在此基础上针对话题报道中的命名实体对话题区分度高的特点，在进行相似度计算时增加命名实体在计算中的权重值来提高系统整体性能。利用现有的语料库和实验数据进行实验验证，结果表明改进相似度计算提高了话题检测时的正确率并减小了系统开销。应用于话题跟踪中的常用传统方法K近邻算法在进行话题跟踪时，要求话题之间报道数量具有平衡性，这一缺点会在一定程度上导致话题偏移。通过利用支持向量机算法在K近邻算法训练阶段确定支持向量而不使用K值来消除跟踪算法对K值的依赖，减小由于话题报道不均衡带来的话题偏移问题。实验结果表明这些方法在一定程度上提高了话题检测与跟踪的性能，验证了改进的K近邻算法正确率不受参数K的影响。