在互联网快速发展的今天,各种社交平台如雨后春笋般涌现,用户可以在平台上根据当下的热点事件发表自己的看法和见解,网络舆情也因此产生。新浪微博作为一个可以即时交互的信息传播平台,为一些社会舆论的形成、传播创造了宽松的环境,也成为了舆情引导的重要阵地。2022年6月,蔚来汽车总部大楼突发意外,一辆测试车辆从三层楼坠落,蔚来时隔一天在新浪微博发布声明,声称本次坠楼事件因试驾员操作失误导致,与车辆本身无关,对于这次不幸事件,蔚来汽车急于撇清关系的行为引起了网友的不满,据此有关此次事件的争议就此展开。本文以该事件为背景,爬取新浪微博相关话题评论,从两个方面展开研究:LDA主题建模和文本情感分析。首先对文本数据进行正则化处理、人工标记、分词以及去停用词等预处理工作,并且添加了适用于本文数据的自定义分词词典和停用词词典。对于主题分析,使用隐式狄利克雷分布（LDA）进行主题建模,通过计算困惑度来确定主题数目,输出每个主题下的关键词以及各个关键词的权重,使用py LDAvis对主题可视化,提取模型中的信息,实现基于网络的交互式可视化。对于文本的情感分析,分别从基于词典和基于机器学习两种方法出发进行分析。在情感词典的方法中,采用TF-IDF寻找文档关键词,从中选取正负情感种子词,通过SO-PMI点互信息算法构建领域情感词典,同时再结合其它词典作为辅助,按照评分规则得到每条评论的情感得分,并根据标注好的评论来检验情感词典判断情感倾向的准确性。在基于机器学习的情感分类中,将文本内容转化为词袋向量,计算每个词语的tf-idf权重,生成矩阵,利用词向量作为特征采用文本数据常用的分类算法逻辑回归（Logistic Regression）、朴素贝叶斯（Naive Bayes）、支持向量机（SVM）训练分类模型,使用网格搜索交叉验证的方法寻找最优的超参数。研究结果表明,对于本次事件的相关微博评论通过LDA主题模型被划分为四大主题:“蔚来官方回应凸显资本冷血”、“担心销量下滑而推卸责任”、“盼望事故真相,惋惜试驾员死亡”、“对测试场地安全性存疑”。基于领域情感词典方法的情感判断准确率为96.47%,查全率为77.21%,基于机器学习的情感分类中,使用朴素贝叶斯算法所建立的分类模型各项评价指标均在0.8以上,分类效果最优。与基于情感词典的情感分析相比,情感倾向性预测的准确性得到了进一步的提升。