得益于互联网技术的快速发展,各种社交网站和电子商务平台应运而生,这些网络平台作为信息载体已经成为人们进行信息分享和维护社会关系不可或缺的一部分。这使得在线文本数量呈现爆炸式增长,如何快速有效地从海量文本信息中检测出有价值的话题及其发展趋势一直是数据挖掘领域关注的热点话题。主题检测和跟踪作为主题分析的代表性方法,旨在从各种文本语料中检测主题及其变化趋势。其中主题检测作为TDT的一个子任务,因能高效检测话题及发展趋势而成为探索突发事件、追踪特定社会活动现象发展趋势的重要工具。一些主题检测研究利用主题模型来检测主题。其中LDA模型因提供了一种更加自然的方式来进行文本表示而被公认是一种有效的算法。但其前提是文档中单词相互独立,没有考虑词/术语的共现问题,阻止了隐含而重要主题的检测。有些研究基于共现关系使用图分析方法进行主题检测。把文本数据转换成基于词语间共现关系的术语图,进而分割出主题。该方法重点关注网络结构而忽略了节点属性,导致生成的主题缺乏意义和语义连贯性。为整合语义关系和共现关系,有研究提出一种基于LDA主题模型和图分析的联合理论框架。能更有效地检测主题,挖掘出重要且稀有的主题。但该方法在语义关系提取中仍使用LDA模型,其独立主题的假设无法反应主题之间的相关性,导致不真实的建模情况和语义信息提取的低精确度。为解决以上问题,本论文将相关性理论与改进的图分析方法结合进行主题检测。首先,本文提出主题检测基于LDA余弦相似性的图分析方法。使用LDA模型提取语义信息和主题,在此基础上引入余弦相似性算法计算主题之间的余弦相似度,量化得到主题之间的相关关系。计算复杂度不高又弥补了LDA模型独立主题的不足,在一定程度上提高了语义信息提取的精确度。其次,为符合现实中文本表达主题相关的语义环境,本文提出主题检测基于CTM模型的图分析理论框架。采用主题相关模型CTM模型得到主题特征向量,再对该向量进行优化来提取最优特征,考虑主题相关性的同时也降低了向量维度。最后提出CorrelationGraph算法将主题相关关系量化后用于共现关系提取,将主题相关性同时用于语义关系和共现关系分析中,更为充分地融合了二者关系。实现高精度语义信息和潜在共现关系的提取,进而发现重要隐含主题及其变化发展趋势。本文内容主要分为五章。第一章介绍了本课题的研究背景和意义,分析了当前国内外研究者在该领域的研究现状。第二章详细介绍了主题检测相关概念和理论基础,对本课题中涉及到的数学知识和模型也做了说明。第三章针对本课题提出的主题检测基于LDA余弦相似性的图分析方法进行了系统全面的介绍,详细描述了该方法的生成过程及相关实验。第四章对本课题提出的主题检测基于CTM模型的图分析理论框架进行介绍,描述了引入CorrelationGraph算法进行主题生成的过程和相关理论推理,用仿真实验进行分析来验证本理论框架的有效性。第五章是本研究小结和未来研究方向的改进提高。