随着网络新闻的发展,人们可以获取更广泛的信息,但也面临难以从海量新闻中快速识别时事热点的困境,因此话题检测与追踪技术应运而生。主题模型可以检测可解释的话题,被广泛应用于话题检测与追踪系统,但多数主题模型缺乏针对新闻领域的优化,存在仅考虑单一词共现信息、未充分融合语义等问题。鉴于上述问题,基于图自编码器的主题模型和基于主题推理结果的话题追踪方法被设计用于新闻话题检测与追踪系统。基于图自编码器的主题模型被用于话题检测模块,该模型将细粒度共现词对和语义特征显式的引入文档建模,以获取更丰富的主题相关性信息。为了联合多种信息建模主题,该模型将语料构成图作为输入,该图以词语和文档为节点,基于文档词袋和细粒度共现词对两种词共现信息建边,并利用词嵌入表示节点特征。为了从图中推理主题,模型引入图自编码思想,利用编码器提取潜在分布作为话题检测结果,利用解码器重构词共现信息,并通过反向传播更新话题检测结果。基于主题推理结果的话题追踪方法被用于话题追踪模块,该方法结合主题词和词嵌入计算话题向量,根据向量距离度量话题相似性,进而以话题为粒度进行新增话题与既往话题间的单遍聚类,实现话题的增量追踪。实验部分在多个新闻数据集上评估新闻话题检测与追踪系统于话题连贯性和话题聚类性能上的表现。结果表明,上述主题模型和话题追踪方法可以识别更具连贯性的话题,并具有最佳的话题聚类性能,且这种提升在小型数据集上更明显。