随着互联网技术和移动应用技术的快速发展,社交应用也得到了蓬勃发展。不同于以往的传统媒体(如报刊、电视、广播等),微博、Twitter更加受到青睐。微博因其内容的短小、及时性、发布的便捷性等特点,收获了一大批网民成为其用户。在微博上,用户可以查看到很多他们想了解的信息,特别是一些热点事件所产生的热点话题。因此,吸引了大量国内外的学者进行研究,并取得了不少的研究成果,而且深入研究微博热点话题具有重要意义:(1)帮助政府发现网络舆情并监管网络舆情的走向;(2)帮助企业了解消费者的需求,及时调整公司的战略,能更好的盈利;(3)帮助个人更好的提升阅读的体验,更及时的了解国家大事、社会热点事件。所以,对微博热点话题发现及趋势进行分析研究具有重要的现实意义。针对微博文本数据有效特征稀疏且难以抽取的缺陷,在现有研究的基础上,本文研究一种基于特征融合的文本表示方法,使用基于词对的向量空间模型(Biterm＿VSM)代替传统的向量空间模型对文本进行表示;同时为减少后面聚类过程中语言二义性对聚类准确度产生的影响,引入LDA主题模型对微博文本表示,利用主题模型的优点把微博短文本中潜在的语义知识挖掘出来。热点话题发现的过程中,首先对微博数据进行预处理,然后结合词对的向量空间模型和LDA主题模型对微博数据进行文本表示,进而采用K-means聚类算法进行微博话题聚类,在得到话题集合的基础上,通过新的热度计算公式对话题热度进行计算,得到热点话题并进行排序,从而实现了微博热点话题发现。在热点话题发现的基础上,本文综合考虑了微博用户的粉丝数和关注数以及博文的点赞数、评论数和转发数等特征对热点话题热度的贡献,研究得到热度计算公式来量化热点话题的热度。经过分析影响话题热度的微博用户的相关属性和博文的相关特征,提出一个可用的话题热度计算公式,通过对某个话题在一段时间内热度值的升降来分析微博热点话题的发展趋势。在相关的微博平台上最直观的表现就是特定热点话题的关注度和讨论度或者是热度的升降,对热点话题的趋势进行分析可以为政府、企业和个人提供便利。