伴随着互联网信息技术的迅猛发展,微博作为一种消息传播速度快、涉及面广、内容多元化、交互性高、实效性高等特点的新型社交网络平台迅速成为媒体新闻组织和大众分享和交流生活点滴重要渠道。仅用新浪微博为参照例子,日更已经能够高达上亿条新微博,并且信息量还在逐渐增多,其中包括海量时事重要信息。面对海量微博信息,如何有效整合碎片化信息并结合用户兴趣喜欢进行信息推荐是文本主题挖掘的关键问题。本文在传统LDA模型的基础上,结合四种类型微博(@类型微博、话题类型微博、转发类型微博、回复类型微博)特点,为了解决传统的文本主题模型对微博主题挖掘准确率低及不考虑主题之间关联的问题,针对中文微博语料本身的特点,分析LDA和HMM模型优缺点,提出了微博主题挖掘模型MB-HL(Microblog-Hidden Markov Model&Latent Dirichlet Allocation)。该模型用逐条微博作为处理单元,建立分布主题-词语矩阵并进行优化,通过LDA模型对微博用户不同的行为建模并提取特征,利用HMM模型强大的时序状态建模能力弥补LDA在主题相关性上的不足,采用Gibbs采样进行推理求解。在真实的新浪微博数据上对比实验表明MB-HL模型能提高近9%主题关键词的准确度,并能有效地发现主题之间的关联关系。为了进一步优化MB-HL模型的性能,分析了深度学习LSTM等端对端模型,提出了基于深度学习特征表示的概率主题模型DMB-HL(Deep MB-HL),本文采用LSTM模型,利用其网络结构能自动获取文档语义级别的特征表示,融合了深度学习特征表示和概率主题模型,通过深度学习网络挖掘出微博更隐含的主题。