近年来,随着互联网持续高速发展,生活节奏变得越来越快,人们往往没有时间和耐心去看冗长的文章,各种社交媒介也迅速普及,微博作为新兴的社交媒体平台之一,因其可以随时随地发表自己对于事件的观点、看法,抒发自己的感情,实时的发布和获取信息,并且还可以通过转发,点赞的方式分享信息,不受时间和地点的限制而被广泛使用。微博中蕴含着大量的信息,是舆情的重要来源,有效的对微博数据进行获取和分析,得到热点话题,并做话题跟踪,无论对于政府了解民情民意还是企业了解客户需求都显得十分重要。本文采用的是新浪微博的数据,微博数据由于存在博文内容短,用语不规范,偏口语化等问题,在舆情监测分析中,若直接使用传统的方法来实现话题检测与跟踪,往往得到的结果欠佳。因此,本文通过分析微博数据自身的结构特点以及传统话题检测与跟踪算法的优缺点,提出了对微博热点话题的检测与跟踪有效的的方法。本文主要工作包括以下三个方面:针对经典的Single-Pass聚类算法在选取初始簇心时比较随意,一般为了方便选择第一条数据作为初始簇心,对于阈值的选择高度敏感以及频繁更新簇心,增加计算量,降低时效的问题,本文提出了一种改进的Single-Pass聚类算法,通过给每条文档计算一个分数值,按照得分高低依次输入相应的文本,在进行余弦相似度计算时,取每个簇的平均值作为簇心,每次和簇心值做比较,避免和簇内每个文档都比较,且添加一定量的文档更新一次簇心,减少了计算量,加快运行速度,最后对每个簇做二次聚类,提高了微博文本聚类的效果,使聚类的精确度,召回率等都有一定的提升,为下一步话题抽取奠定基础。针对LDA(Latent Dirichlet Allocation,潜在狄利克雷分配)主题模型预先人为设定主题数,且适用于新闻报道等长文本数据,而不适用于微博这样的短文本数据的不足,本文根据初步聚类得出的簇数来设定主题数,并且通过对簇内的多个短文本拼接成长文本,使得输入从短文本变为长文本,得到更准确的话题。提出一种基于Bert+Text CNN的话题跟踪方法。使用包含上下文语义信息的Bert模型,结合可以更好的抽取短文本语义信息的Text CNN使文本特征更加全面和细致,从而提高了模型对微博话题的跟踪能力。