全球环境变暖的背景下,极端天气频繁发生。由于短时强降水天气导致的城市内涝会对城市的交通运输、居民出行等产生诸多影响,严重时会导致财产损失和人员伤亡。目前城市内涝监测主要是利用监测点的设备进行监测,覆盖范围小,很难获取积水所造成的影响信息,需要利用其它渠道进行补充。社交媒体由于其实时性和来源的广泛性,越来越多的应用在灾害监测中,对灾情响应和评估具有重要意义。本文利用上海市2016~2018年三年的新浪微博数据,研究如何从庞杂的微博数据中提取城市内涝相关微博以及从微博文本中提取地址信息,并对提取结果进行分析和验证。本文的研究内容及取得的成果主要包括以下三个方面:(1)城市内涝相关微博提取。微博文本具有非结构化、表述多样性、不规范性等特点,准确提取某个主题的微博存在很大难度。本文基于深度学习中的文本相似度分析方法,从语料库中查找与内涝相关的相似词,并在此基础上筛选出城市内涝灾情关键词。利用城市内涝灾情关键词从微博数据中提取出城市内涝相关微博,与单纯使用“内涝”和“积水”关键词进行提取相比,能提取出更多内涝相关的微博。(2)微博文本内涝地点提取。与微博签到地址相比,微博文本中的地址信息更能准确反映内涝事件的位置。已有的一些方法能较好地识别语料库中已有的地址名词,但微博文本中的地址名称具有范围广、变化大等特点,很多并没有收录到语料库中。本文采用BiLSTM-CRF算法对微博文本中地名进行提取,并与单独使用CRF算法的提取结果进行比较,比较结果显示采用BiLSTM-CRF算法能提取出更多语料库中没有的地址名称,总体上有更高的精度。(3)城市内涝相关微博提取结果分析。分析了微博数量与天气的关系,发现了微博数与雨雪天具有较好的对应性,当天气由非雨雪天气转化为雨雪天气的时候,或雨雪天气转为非雨雪天气的时候,发博的数量会有明显的增多。对具有地址信息的内涝相关微博进行空间定位,发现大部分内涝点集中在地铁口、商业广场以及道路。通过与高德历史积水点数据的比较分析,发现约20%点在与高德积水点数据重合,表明从微博中提取的内涝信息与高德积水点数据可以互相补充。论文研究成果可以为城市内涝监测提供新的数据获取渠道与提取分析方法,为决策提供更多的数据支持。