随着极端天气的增多和城市化进程步伐的加快,我国城市内涝现象频发,已经严重影响到了城市居民生产生活以及城市经济社会的可持续发展,给人民的生命财产安全构成了巨大的威胁。同时,传统的灾害信息的收集方式效率低、信息传达滞后,无法满足政府部门及时开展应急救援的需求。社交媒体由于其广泛的参与度、丰富的时空动态信息、网络信息量大和及时性强等特点,被越来越多的应用到灾害的监测和灾情信息的获取之中。本文基于社交媒体大数据对城市内涝灾害信息进行了主题挖掘与分析,为城市的防汛救灾应急管理提供决策支持。首先,本文分析设计了基于关键词爬虫的城市内涝相关微博提取方案和文本预处理过程,建立了城市内涝语料库。然后利用LDA主题挖掘模型先对语料库进行主题建模分析,建立了主题-词矩阵并进行隐含主题聚类,然后利用支持向量机SVM算法对主题进行训练,构建城市内涝灾害信息的主题分类模型,可以对内涝灾害事件信息进行实时提取分类,有利于进一步识别灾情损失、防汛救援、内涝影响等相关信息。同时,采用命名实体识别的方式,利用LAC词法分析模型从灾害微博数据中识别文本中所蕴含的内涝地址实体,能够弥补传统定点监测手段的不足,发现可能存在隐患的内涝区域。实验表明LAC模型对内涝点的识别准确率为82%,识别结果较为可靠。最后,以2016年武汉7.6全城内涝事件为例,对内涝事件进行了主题和时空分析。分析表明:本文通过微博数据提取的内涝点与官方公布的大致重合,武汉内涝易发生在立交桥下、地下通道、公交站等地势低洼以及邻近湖泊周围的地区,而且内涝事件的发展趋势与灾情数据变化趋势存在明显的相关性。分析结果有助于政府相关部门开展灾害应急救援工作,可以更直观的了解城市内涝灾害事件的舆情和内涝事件发展的过程,极大地丰富了传统水情监测数据的不足,运用社交媒体大数据和机器学习技术为城市内涝治理和应急管理提供了新的途径。