随着互联网络的普及,人们获取信息的方式逐步从报纸、广播和电视等传统媒体向互联网转变。越来越多的人热衷于借助论坛、博客和微博等进行信息交流,互联网已然成为当今社会信息传播的主流载体。然而,互联网的开放性、实时性及多元性等特点,使得网络在某种层面上成为了谣言滋生和扩散之地。特别是随着网民数量的激增,Web信息量呈井喷式发展,如何有效的实现网络舆情的监测与安全预警显得尤为重要。情感倾向分析能够从海量Web评论信息中挖掘出话题的观点倾向,迅速发现热点舆情并预测其发展趋势,可以有效的对网络舆情进行监测及安全预警。然而,现有文本情感倾向分析中普遍存在分类准确率不高的问题,其应用将受到很大的限制。因此,本文针对情感倾向分类中存在的问题及其应用的关键技术进行深入研究,主要研究工作如下:1)针对现有的文本情感倾向分类方法中普遍存在数据稀疏、一词多义和多词一义问题,提出了一种结合潜在语义分析(Latent Semantic Analysis,LSA)和支持向量机(Support Vector Machine,SVM)的文本情感倾向分类方法。从词语的上下文环境来考虑词语的语义信息,能够消除文档集中词语存在的一词多义和多词一义问题可能产生的语义偏差,提高词语语义表达的准确性,并扩大词语在文档中的覆盖能力。实验证明,该方法可以有效的改善现有文本情感倾向分类方法中存在的上述问题,提高文本情感倾向分类的准确率。2)针对现有热点话题发现及预测方法中忽略观点倾向对话题热度影响的问题,在现有方法的基础上结合话题的观点倾向,提出了一种融合观点倾向因子的热点话题发现及预测方法。话题讨论过程中观点倾向或意见越不统一,则话题讨论的越激烈,其话题的热度也就越高。实验结果表明,改进后的方法可以更有效的预测热点话题的发展趋势。