越来越多的用户选择在微博上参与热点话题的讨论、表达自己的观点。微博上的热点话题往往是一个热点事件、一个争议较多的人物、一项引起广泛关注的社会政策等,因此每个热点话题背后涉及到多方面的人和事物等对象,不同的用户对于热点话题事件的议论角度不同,立场也不尽相同,观点详情也不尽相同。提取公众在微博上对这些热点话题表达的观点,研究公众的立场,并对公众的观点加以归纳总结,可以帮助微博用户在很短的时间内全面地了解热门话题的详情,帮助政府及企业开展及时有效的舆情监督。本论文采用自然语言处理技术来对微博话题下的大量观点文本进行立场检测、抽取观点摘要,以期为微博领域的舆情研究提供一些新思路。立场检测重点关注文本对于给定的目标话题是否持有支持(FAVOR)、反对(AGAINST)立场或是未表明任何立场(NONE)。但是给定的目标话题不一定会出现在文本中,微博作者可以通过表达对目标话题相关的其他对象的看法来间接地表达作者对给定目标话题的立场,因此正向的情感不一定代表支持立场,负向的情感不一定代表反对立场。本论文设计了一个共享卷积-LSTM条件编码-注意力机制混合模型来自动提取融合目标话题文本和微博文本的语义信息的特征向量,通过共享卷积层和LSTM条件编码层将目标话题和微博文本的信息进行深度融合,然后采用注意力机制让模型在处理微博文本的过程中增强目标话题的影响程度,将最终获得的(话题-微博文本)特征向量送入到输出层进行立场分类,在官方数据集上取得了较高的实验结果。本论文的立场检测模型创新之处在于:能够提取从文本本质语义层面来深度融合了目标话题和微博文本的特征,并且模型在处理微博文本的过程中能够充分有效地考虑到目标话题的语义因素;提出了一种共享卷积机制,通过让目标话题和微博文本共享相同的卷积核,既可以采用相同的标准来提取两者的n-gram语义特征,又让两者在共享卷积核的作用下得以进行语义关联和间接融合,并成功将其与LSTM条件编码模型和注意力机制相连接。是指能够从大量的观点内容中自动进行归纳总结,生成一个简洁且包含所有观点种类的没有冗余的文本摘要。本文针对给定的微博话题以及与该微博话题相关的一个包含多条观点微博文本的集合,设计了一个适用于微博短文本的观点摘要抽取模型。首先基于BTM模型提取目标话题对应的观点关键词,基于每条微博文本与观点关键词的共现关系来分析微博文本的重要性。然后在词向量表示的基础上添加PCA机制将微博文本进行语义向量化表示,接着对其自动聚类识别出给定目标话题的观点种类,最终综合考虑微博重要性、微博相似度、微博长度等因素,为各个观点类别抽取最具代表性的观点微博。所有类别的代表性观点微博共同组合形成了针对给定目标话题的抽取式观点摘要。本文的观点摘要抽取模型创新之处在于:一方面,通过抽取观点关键词从细粒度层面分析了微博文本的重要性和信息全面度;另一方面,又从文本句整体语义层面进一步识别观点类别,局部分析与整体分析相结合提升了针对短文本的观点摘要抽取的准确度。