随着社会的快速发展,人们对医疗保健的观念正由过去被动的疾病诊疗发展为对自身健康的主动管理。近年来,结合互联网与医疗健康的各类在线医疗社区网站就应运而生。深入地挖掘和分析在线医疗社区,可以把握用户所关注的热点话题和情感倾向,同时为用户查找和获取信息提供便利。早期对在线医疗社区的研究偏向于人工形式的统计分析,随着互联网的发展,这些方法已不再适用于处理海量文本。由此,机器学习领域相关的智能化方法逐渐应用于在线医疗社区的分析中。作为社区中的信息交流方式,社区中的文本通常带有主观性,其最重要的特点就是主题与情感。因此本文探索利用智能化的方法,对社区成员普遍关注的热点主题和情感进行深入研究。首先,本文介绍了在线医疗社区、热点主题识别和文本情感分析的研究背景,然后对在线医疗社区主题识别和情感分析方法中存在的主要问题进行分析,并介绍了主题识别和情感分析的相关理论基础。其次,本文提出一种在线医疗社区热点主题识别方法,考虑到在线医疗文本中医疗词汇分布特征以及文本篇幅较短、非标准化的特点,改进隐狄利克雷分配模型(Latent Dirichlet Allocation,LDA)提出MS-LDA主题模型。在主题由句子生成的基础上使用高斯函数拟合词语分布,相关性权重修正词频扩展句子信息。同时引入医学领域专业知识提取医学概念进行主题聚类。本文选取在线医疗社区Medhelp中几类最具代表性的疾病版块,通过实验证明了MS-LDA的Perplexity值和主题词相关性明显优于对比模型,自动挖掘出不同疾病版块中用户关注的热点主题和主题与疾病之间的潜在联系。再次,针对在线医疗社区中海量的无情感标签数据,本文提出一种适用于在线医疗社区的无监督域自适应情感分析方法。结合极性转移处理方法和n-gram提取文本特征,创新改进领域对抗神经网络(Domain-adversarial Neural Network,DANN)将二分类输出扩展为多分类,对在线医疗文本进行情感分类。网络的训练过程中可通过源域到目标域的映射自动学习医学领域的背景知识。实验结果表明本文所提出的特征提取结合DANN的方法相比于其他情感分类方法取得了较好的效果,实现了以无监督的方式自动地对文本进行情感的标签化处理,同时自动挖掘出了情感与疾病之间的潜在联系。最后对本文的工作进行总结,并对今后的工作计划进行展望。