推特和新浪微博等社会媒体平台的繁荣,产生了大量有噪声的短文本。社交媒体话题检测旨在为海量的社会媒体数据建模潜在的语义结构,其揭示的主题信息可用于短文本分类、关键词生成、篇章关系识别等下游应用。目前,面向社会媒体的短文本话题检测方法大致分为基于跨文档共现模式、基于文本语义信息以及整合内容和社交上下文三类。然而,已有方法均忽略社交网络的异构性和多元性以及大范围的用户邻域上下文对话题检测的影响。本文从编码异构社交上下文以及融合灵活邻域内的平行内容和结构上下文这两个方面出发,对社会媒体领域的短文本话题检测作下列探索:1.现存研究仅考虑文本内容或同时建模微博贴和同构情境的社交上下文来推断话题,忽略了社交网络的异构性和多元性对话题检测的影响。事实上,在社交网络中存在如转发、评论、关注和提及等不同类型的交互关系,表明用户的不同行为模式和兴趣偏好,在话题描述和话题传播中影响不同;此外,不同的微博内容、兴趣描述和身份认证倾向于使不同用户在话题推断中有不同的重要性。因此,本文提出一种新的深度多视图主题模型（Multi-View Topic Model,MV-TM）用于微博对话,通过编码异构社交上下文来挖掘每个事件的主题。2.前人工作同时考虑文本内容和社交网络的一阶结构特征来推断话题,而微博对话中更大的用户邻域包含的丰富内容和结构上下文信息可能有助于话题推断;此外,内容和结构从不同方面丰富了话题的语义聚合,而前人方法独立学习内容表示和结构表示并简单拼接,忽略了两者间的非线性关联,导致生成话题的一致性较差。受内容丰富网络的表示学习所启发,提出基于随机游走的平行社交上下文融合的的主题模型（Parallel Social Contexts Fusion Topic Model,PCFTM）,通过捕获用户的灵活阶邻近度以及内容和结构间的复杂关联来检测社交媒体短文本的话题。综上所述,为解决现存的面向社会媒体的短文本话题检测方法存在的不足,本文从编码异构社交上下文以及融合灵活邻域内的平行内容和结构上下文这两个角度切入,提出两种基于深度学习的社交媒体短文本话题检测方法。在三个真实世界的微博数据集上的对比实验证明了本文所提方法的有效性,为推动话题检测研究提供了一定参考。