舆情情报分析作为情报分析社会层面中的重要一环,对了解公众对于某些社会热点事件的情绪、态度有着重要作用。本文基于实验室构建的利用复杂网络挖掘算法对人（账号）、物、组织、真假事件及相互关系的感知、理解、预测的智能情报分析框架IAF,提出利用符号网络社团检测进行舆情情报分析。相较于普通复杂网络,符号网络可以更全面地表达网络中节点间的正负情感。且社团检测作为情报分析框架IAF中理解模块的关键,通过挖掘网络中的社团结构,可以发现舆情系统中的群体对于某些热点事件的不同态度划分。本文从网络空间帖子、转发、评论、回复及其情感等海量数据构建具有正边/负边的符号网络,并围绕符号网络社团检测算法进行舆情情报分析,开展了如下工作:首先,提出了一种双非负矩阵分解算法（DouNMF）来挖掘符号网络中的社团结构。该算法将符号网络分解为正负两个分量,在两个分量上利用非负矩阵分解算法求解节点的社团指示向量,以此得到网络的社团划分。此外针对非负矩阵分解过程中的随机性,该算法引入了度修正约束了非负矩阵分解过程,得到了更加准确的社团指示向量,且与其它优秀算法的对比实验也验证了我们DouNMF算法的准确性。其次,针对双非负矩阵分解算法（DouNMF）计算复杂度高,难以应用于大规模符号网络的缺点,提出了深度半非负矩阵分解社团检测算法（DSNMF）。该算法在半非负矩阵分解模型基础上引入了深度学习的机制提升半非负矩阵分解算法的效率,有效地扩展了非负矩阵分解算法在大规模数据集上的可实用性。最后利用实证模型验证了DSNMF社团检测算法的实用性。本文利用疫情期间舆情数据构建了用户基于某些舆情话题的情感符号网络。将DSNMF算法运用到现实世界符号网络中,利用社团检测结果得到了疫情期舆情传播的群体结构及演化趋势,验证了提出模型的实用性。本文面向舆情情报分析,以符号网络社团检测为技术核心,创新性地基于非负矩阵分解算法和符号网络特性设计了符号网络社团检测的算法。在多个人工合成的符号网络数据集和真实符号网络数据集上进行了大量的实验,验证了提出算法的有效性和准确性。并通过疫情舆情数据构建了符号网络,验证了算法模型在舆情情报分析中的实用性。