当前,我们处在一个瞬息万变的互联网时代。近几年来,以SNS、微博、微信等为代表的新型网络社交工具迅速崛起,各自拥有了数量巨大的用户群体。微博凭借着实时性强,内容简练(140字以内)和发布方式多样等优点,已经成为网上信息发布和传播的主要平台之一。微博在短时期内就能够聚集大量的文本数据,如何在这些杂乱、无序的微博文本数据中快速地提取出精炼的、有价值的话题,是一项艰巨的任务,需要对现有的话题检测技术进行发展和提高。本文提出了一种基于LDA-SP(Latent Dirichlet Allocation-Single Pass)的微博话题检测算法。首先分析了话题检测的基本流程,阐述了各个环节使用技术的基本原理和实现细节。针对在传统话题检测中,以向量空间模型作为文本模型表示存在着维度过高、语义表现缺失等缺点,本文改进了传统方法,采用潜在狄利克雷分配模型对微博文本建模,采用Single-Pass算法作为微博话题检测中聚类的实现方法,将两者结合使用。对照实验的结果表明,本文提出的算法在解决了预设话题数的缺点的同时,还保证了话题检测的精度。本文提出了一种微博事件的同一性计算方法。该方法用来区分微博数据集中具有相似内容的不同事件。由于这种“难分”问题的存在,主题模型无法对相似内容的不同事件进行分辨。本文首先考虑两条语义上相似的微博,然后计算它们在时间、地点等事件特征上的同一性评分,从而推断出它们是否表述同一个事件。将此方法与Single-Pass算法相结合,最后引入微博数据集进行实验。实验表明,相比之前的算法,改进相似度后的算法在“难分”问题上具有更好的事件检测效果。