在5G时代背景下,来源于社交媒体的大数据凭借快速反应、自发反馈、获取成本低等优势成为城市灾害应急管理中新的数据源,在灾害分析和促进城市安全方面所发挥的作用被赋予了新的意义。特别是在应对COVID-19大流行时,社交媒体大数据在舆情监测、疫情预警、传染源追踪等方面发挥了特殊的作用。然而,社交媒体大数据海量、多模态特点突出,有效信息难以挖掘。因此,及时、准确、高效的文本分类成为社交媒体大数据应用中亟需突破的关键技术。近年来,随着深度学习技术在自然语言处理中的快速发展,神经网络模型被广泛应用于文本分类任务。然而,由于缺乏能够较全面反映我国社交媒体文本内容特性和防疫现状的疫情主题语料库,同时现有的主题分类模型语义特征提取能力不足,导致目前基于深度学习的主题分类方法难以从多模态的海量社交文本中挖掘出符合我国防疫现状的细粒度、高精度疫情主题信息,难以为后续疫情应急管理提供有效的数据支持。针对上述问题,本文构建了一种改进的ERNIE预训练语言模型,以实现更高效地从社交媒体大数据中挖掘细粒度、高精度的疫情主题信息,并基于此开展了国内舆情分析和城市级疫情应急防控应用研究。主要研究工作如下:（1）设计了基于ERNIE-CNN模型的主题分类方法。针对COVID-19大流行期间新浪微博文本内容特性以及我国防疫现状,制作了十类反映社会不同层面的疫情主题语料库。构建了ERNIE-CNN主题分类模型,通过将ERNIE预训练模型嵌入CNN网络,在原有大规模通用语料基础上融合局部的疫情语义特征,利用CNN网络进行优化训练并分类,实现从海量的社交媒体文本流中挖掘出细粒度、高精度的疫情主题信息。（2）基于疫情主题分类信息进行国内舆情时空特性分析。分析了微博推文的时间趋势和空间分布模式,揭示了疫情期间（2019/12/1-2020/4/30）微博推文的时空特性,以对我国舆情发展态势进行宏观感知。（3）基于疫情主题分类信息进行城市级疫情应急防控应用研究。以深圳市为例,探索了疫情期间深圳市确诊小区和定点医院/发热门诊的空间格局,进一步探索了确诊病例分布与居民日常生活受影响程度之间的相关性。此外,利用主题分类文本构建后端数据库,开发了一款微信小程序“4)（90）8)”,支持“周边疫情”和“求助咨询”等功能。研究表明:（1）本文构建的ERNIE-CNN主题分类模型能够从海量社交文本流中识别出反映我国防疫现状的细粒度、高精度疫情主题信息,且性能优于其他主题分类基准模型。（2）舆情时空特性分析结果符合疫情态势在我国发展阶段的现实情况,表现为:疫情期间微博推文在时间上呈现出“先剧烈增长,然后逐渐回落,最后又小幅上升”的特点。空间上主要聚集在我国中部及东部地区,并形成了四个热点区域。（3）疫情期间确诊病例主要集中在城市交通便捷、人流密集的地区,在该地区居民日常生活受影响程度更大,对应的社交媒体响应也更剧烈。此外,微信小程序能够为城市居民提供疫情期间的便民服务,为城市管理者提供云问政和决策支持服务。基于ERNIE-CNN模型的微博文本主题分类方法能够为疫情应急管理提供可靠的数据支持,对于提高疫情期间的态势感知能力是科学可行的。