传统的新事件检测往往只注重检测过程中的某一具体环节,而尚未构架出一个完整而全面的能够保证新事件检测准确度和效率的系统。本文在现有新事件检测研究的基础上,针对现有社交网络检测新事件中监测节点较多导致算法效率较低、时间准确度不够、水军用户对结果产生影响、结果话题性单一甚至最终结果中存在伪舆情的情况,除了提出如何高效获得核心节点之外,还考虑了识别水军账号和基于信息的主题社区划分、伪舆情验证检测等问题,旨在建立一个相对完善、实用的严密而完善的新事件检测方法。本文以新浪微博为研究对象,首先用EBKND算法抓取核心用户数据,获得一个初始的可用数据库。紧接着,为了保证获得的新事件的准确性和严密性,本文引入了水军剔除和主题社区划分的步骤。通过基于综合指数和熵值法的水军识别算法来剔除水军主要是为了防止获得的用户中存在水军的可能性;除了水军问题之外,新浪微博还存在一个比较严重的问题就是关于娱乐报道及与明星有关的事件占据过高的关注度,通过社交网络中基于主题信息的社区划分算法,就可以保证获得的新事件的多样性和高效性。最后一个步骤,检测伪舆情可以剔除结果中的“假新事件”,保证最终结果的准确性。最后,本文采用NED实验和评估,从四个方面来评估算法:缺失率、误报率、平均准确率和平均检测时间。通过对这些指标数据的运算和比较,我们可以发现权威用户分析模型对于NED的效果影响显著,即EBKND算法和水军识别两种算法保证了新事件检测的精度和效率。最后给出了在NED中引入主题社区的好处,除了降低了算法时间复杂度,最重要的是提高了话题的多样性。