随着web2.0向web3.0的过渡,社交网络得到了空前的发展,各大社交平台层出不穷。新浪微博作为国内第一大社交平台,凭借信息量大、传播速度快、用户交互性强、使用方便等特点,得到了众多用户的青睐。海量的数据由用户产生,其中包含大量突发事件信息。带有负面情感的信息在社交群体中相互传播、相互作用,从而导致舆情爆发。突发事件具有突发性、导向性,如果不加以监管,其引发的舆论信息会随着互联网四处传播,不仅会污染网络环境,还会造成社会恐慌、影响社会稳定。因此针对突发事件检测的研究具有重要现实意义。微博中的事件发展变化迅速、表现形式复杂,如何从海量微博数据流中检测突发事件仍然是事件检测领域具有挑战性的问题。突发事件检测研究在结构化的文本上(如新闻数据、博客、文章报道等)得到了广泛的应用。与结构化语言不同,微博信息具有用户情感倾向,口语化严重,同时混合多种信息,如不同语言、符号图片等,这给基于微博的突发事件检测带来了极大的困难。针对以上问题,本文从事件突发特征提取与短文本聚类两个方面进行突发事件检测相关研究。为了有效地提取事件突发特征,本文关联用户属性与点赞数、转发数、评论数等社交行为信息建模微博影响力,使用影响力模型量化文本的社交影响力,通过计算高影响力博文中的突发词提取事件突发特征并构造潜在突发事件数据集。同时,针对社交短文本特点,在基于词向量文本表示方法的基础上提出了一种融合词向量最大池化特征的文本表示方法(Max Pooling Word Embedding,MPWE),并将其应用到短文本聚类中。该方法依据卷积神经网络中最大池化操作的思想,针对文本训练得到的词向量,提取各维度上的最大语义特征,然后融合词向量均值特征进行文本表示。最后使用文本聚类检测突发事件,并通过关联重点博文描述事件信息。实验表明,针对社交网络的突发事件检测不应忽视文本对事件的影响程度,引入文本影响力能够有效降低噪声信息的干扰,使用融合最大池化的文本表示方法能够有效提升事件检测效率。