随着社交网站各类终端功能和界面的日益完善，人们对社交网站尤其是微博类等基于短文本的社会媒体越发依赖，其中的商业价值也越来越明显。通过对近年来越来越受到人们关注的自然语言处理和文本挖掘技术的研究探索，建立主题分析模型，对微博文本进行有效地分析和处理，挖掘出隐藏于海量的微博数据中的用户兴趣及其关注领域，不仅对各类商户来说具有巨大的利用价值，通过兴趣信息投放和类别划分也可以为微博用户提供便利。由于微博数据篇幅短小，长度一般限制在140字左右，其所蕴含的信息量相对较少，数据稀疏性问题较为严重，但总量又比较大，传统的文本挖掘算法不能达到很好的效果。而利用主题建模则可以无监督地对文档和词进行分类，从而较为准确地挖掘出文本中隐含的主题意义。本文以用新浪API获取的不同领域的新浪微博数据为语料，面向短文本聚类方法进行研究，首先针对微博类数据含有较大“噪音”的特点，本文利用正则表达式对其进行一系列匹配预处理操作，然后利用基于条件随机场的中文分词系统对微博数据进行分词，接着对分词之后的语料进行去除停用词等处理，以此为基础，设计和实现了一种基于贝叶斯网络模型的对文档和词的潜在主题分布进行预测的基于隐含狄利克雷分布（LDA）模型的主题分析系统。在对该系统进行介绍之前，论文先对系统所涉及的分词和主题模型理论做了详细的论述。在后续的研究中，本系统通过对经过预处理的微博文本进行建模，并采用吉布斯抽样和马尔可夫链蒙特卡洛算法，能够根据设定的主题数目，较为准确的提取出输入微博文本的主题，具有良好的实用价值。