随着互联网的蓬勃发展,网络上每天都会产生海量的数据,仅门户网站的新闻信息更新量就非常可观。如何从这些信息中提取中关注度最大的话题,一直是一个值得研究的课题,话题检测的目的就是解决这个问题。话题检测流程内有很多的核心技术,这些技术包括:中文分词技术、特征项的提取方法、文档之间以及话题类之间相似度的计算、文本转化用到的模型、聚类算法等。尽管针对这些技术的研究已经有很多,仍有一些方面需要进行改进和完善。针对话题检测,本文深入研究了当前已提出的方案,分析了其中存在的问题,并对这些问题提出了针对性的改进策略。本文所做工作有:第一,通过对文本表示模型的分析,本文选择使用向量空间模型(VSM)来进行文档建模,在特征项提取方面作了改进。目前对特征值的提取和权重计算一般都是基于词频统计来进行的,没有考虑到词语间的内在语义关联。本文针对这个缺陷,以TF-IDF为基础,提出了基于词语关联相似度的特征项提取和加权方法。该方法利用词典,可以识别出同义或同类词,并提供了计算词间的相似度的方法。第二,对于聚类算法的改进。本文通过对比分析发现Single-Pass聚类算法适合处理动态数据和大规模数据,因此选其作为基本算法。由于在Single-Pass里面文档与话题簇间的相似度需要通过取该文档与话题簇中文档相似度最大值来表示,随着文档数目递增,每轮的计算量也愈加庞大。针对此问题,本文提出了一种设定聚类中心的进行增量计算的办法,通过调整聚类中心来降低计算量,同时也缓和了对初始文档顺序的敏感性。另外,本文对Single-Pass只有一个设定阈值进行了扩展,变为双阈值界定,用来聚类话题与子话题,这样使话题的层次更分明。第三,通过实验论证了本文所提出的改进的特征值提取方法和改进的Single-Pass聚类算法的有效性。实验采用TDT中规定的测评指标,通过与其它算法的评测结果作对比,验证了算法的性能和效率。实验结果表明,本文提出的方案增加了聚类结果准确度,降低了错误代价。