微博作为我国最受欢迎的网络社交媒体之一,具有自主性高、话题内容广、传播速度快和影响力强等优势,已经成为话题检测与追踪的主要研究对象。微博发布的内容具有时序性,属于文本流。从微博文本流中进行突发话题检测及热度预测,对于舆情监控和引导具有十分重要的现实意义。目前,突发词对主题模型（Bursty Biterm Topic Model,BBTM）、深度学习分别成为文本流突发话题检测和话题热度预测的研究热点。为进一步提高微博文本流突发话题检测及热度预测效果,本文从BBTM主题模型语义关系增强和双向门控循环单元（Bidirectional Gated Recurrent Unit,Bi GRU）优化两个方面进行深入研究,主要内容如下。（1）针对BBTM主题模型未充分考虑双词语义关系的问题,提出一种融合全局词向量（Global Vectors for Word Representation,Glo Ve）语义相似度的BBTM（BBTM fused with Glo Ve semantic similarity,GBBTM）主题模型,并应用到微博文本流突发话题检测中。首先,采用Glo Ve对预处理后的微博文本流进行建模,获得双词语义相似度;然后,将词对（即双词）突发概率与双词语义相似度进行线性融合,代替突发词对概率作为主题建模的先验知识;其次,改进吉布斯双词采样模式,实现语义关系增强;最后,利用GBBTM对预处理后的微博文本流建模,从而获得突发话题检测结果。（2）针对话题热度趋势变化复杂性和非线性的问题,提出一种Bi GRU-AMKF模型,实现话题热度预测。首先,选取微博话题文本总数量化话题热度指标,构建话题热度时间序列;然后,采用RMSE指标确定影响Bi GRU精度的超参数神经元个数units,以及批处理大小batch＿size;其次,利用Bi GRU神经网络挖掘话题热度时间序列的全局特征信息,引入注意力机制（Attention Mechanism,AM）自适应提取特征信息;最后,使用卡尔曼滤波（Kalman Filtering,KF）对AM层输出结果进行动态调整,获得最终话题热度预测结果。实验结果表明,在真实微博文本流数据集上,GBBTM与BBTM及其改进模型相比,具有更高的主题连贯性和新颖性,能够高质量地挖掘语义关系更强的突发话题;在“新冠肺炎”、“第七次人口普查”和“民法典”三个微博话题数据集上,Bi GRU-AM-KF与LSTM-KF、GRU-AM和Bi GRU-AM等模型相比,具有更优的预测精度,能够更好地模拟话题热度的变化趋势。