食品安全关系到国计民生重要问题，是社会长治久安必要保障。近些年来，食品安全事件的频频发生，致使食品安全网络处于舆论风口浪尖之上。本文使用互联网中海量数据，对食品安全网络舆情的分析进行了研究。　　首先，本文对特定领域的网络爬虫进行了研究。针对现有主题爬虫的收益率不高或者不能维持稳定的高收益的问题，本文利用本体对特定领域进行背景知识表示，最小二乘支持向量机来进行主题相关性判断，提出了一种融合本体与最小二乘支持向量机的主题爬行方法Ontology-LSSVM，并将其应用到食品安全领域获得良好的效果。　　其次，本文针对网络舆情分析中话题发现与话题追踪进行了算法研究。根据处理互联网海量数据的实际要求，对文本聚类算法进行了研究，提出一种基于多级聚类的FWS-KMC话题发现算法，使用基于频繁词集聚类算法FWSC得到聚类簇的初始划分，再利用k-means聚类算法对其精化。此算法传承了FWSC的简单高效、结果可描述，也获得了k-means良好的聚类结果，同时也有效的避免了k-means的高维处理和FWSC聚类结果不佳的问题。本文也提出了一种基于相关度反馈追踪模型RF-TM的话题追踪算法，通过相关度的反馈，有效修正了话题质心漂移问题。另外，实现动态更新话题的特征词库，提高了话题追踪的准确率。　　最后，本文建构了一个集数据采集、话题发现和话题追踪于一体的食品安全网络舆情分析系统，能够实时地获取在线数据进行舆情分析。本系统的建构旨在帮助监督管理部门和社会公众实时了解最新的食品安全网络舆情的动态，同时也可以辅助监管部门做决策。