文本数据是普遍存在的一种数据类型，如何分析文本并提炼有用的信息具有重要的意义。主题模型是现今最有效的文本分析算法族之一，本文基于主题模型，研究两个亟待解决的文本分析问题：多标签文本分类问题和流文本数据建模问题。多标签文本分类：本文针对现存有监督主题模型存在模型可扩展性较差，没有考虑标签相关性,标签出现频率和词项的标签频率等问题，提出一些改进算法，包括SL-LDA模型，LSTM算法，FLDA模型，DFLDA模型和CPTM算法。实验结果表明，相比常用的经典分类算法，所提出算法的多标签分类性能更优；特别地，所提出算法对于偏斜文本集的分类性能有所提升。流文本数据建模：本文针对现存主题模型在线学习算法存在随机梯度误差较大，需要手动设定学习速率和主题采样的时间复杂度较高等问题，提出一些改进算法，包括MASVI算法，自适应学习速率算法和SHVG算法。此外，提出了在线版本的期望传播算法。实验结果表明，所提出算法的文本建模性能更优，且在多数情况下收敛速度更快。