随着移动互联网的蓬勃发展,社交网络逐渐占据了人们生活中至关重要的组成部分。如今,以微博为代表的社交网络平台汇聚了社会上各种信息。用户在微博等社交网络平台上爆料事件、传播消息、分享经验。以微博为代表的社交网络影响着每个人的日常生活,用户在网络上分享兴趣爱好、生活经历,产生了讨论街头时事、舆情热点等一系列的行为方式。以突发话题检测与追踪、话题关注度预测等技术手段为基础的突发话题查询与可视化系统在网络舆情分析任务中有着不可忽视的作用。突发话题查询借助突发话题检测与追踪技术辅助舆情分析系统高效地查询优质突发话题及后续信息,为相关部门和企业快速了解话题发展、及时做出舆论引导等决策提供有力支持。本文主要包括以下几个方面的工作:（1）针对微博这一典型社交网络平台,提出了基于时空特性的社交网络突发话题检测方法（BurstNBT）。BurstNBT利用时间突发性与地域突发性检测语料库中的突发词,过滤数据中的嘈杂噪声,然后对突发词集进行凝聚层次聚类,对候选突发词簇计算突发性得分并排序,高效准确地检测top K突发话题。实验结果表明,BurstNBT算法能够有效地检测出微博数据流中的突发话题,并且在话题检测准确率与话题表达可理解性上均要优于对比算法。（2）提出了基于语义扩展的社交网络突发话题追踪算法（SADV-SE）。SADV-SE算法通过构建维基知识库,对特征选择后的博文扩展语义特征。将博文由带权重的特征集转化为向量表征,通过话题向量与待追踪博文向量间相似度分类待追踪博文,并进行分类阈值的自适应学习和话题模型更新,持续进行待追踪博文的分类处理直到无待追踪博文。实验结果表明SADV-SE在准确率、召回率及F1值上均要优于对比算法。（3）提出了社交网络突发话题查询框架和社交网络突发话题关注度预测算法（MA-LSTM）。突发话题查询框架主要包含突发话题检测与追踪两部分,实现微博数据流中突发话题及其后续相关博文的查询。通过分析影响突发话题关注度的因素变量,建立话题内容特征、话题社交属性特征以及话题参与用户特征到话题关注度的映射,通过基于两层LSTM的神经网络建模,学习参数。实验结果表明,MA-LSTM算法能够有效地对微博突发话题关注度进行预测,实验结果在残差和相对误差上均要优于对比算法。（4）设计并实现了基于时空特性的社交网络突发话题查询与可视化系统。系统包括突发话题检测、突发话题追踪、突发话题关注度预测和突发话题查询与可视化四个模块:突发话题检测与追踪两大模块标识数据流中突发话题及其后续博文,关注度预测模块实现话题后续关注度的预测,查询与可视化模块为突发话题及其博文提供查询接口与可视化界面。该系统具有一定的实用价值,并验证了本文所提的系列算法的有效性。