随着互联网的快速发展,社会媒体越来越被广泛使用,成为人们生活方式的一部分。通过社会媒体积累的数据也因而正经历着爆发性的增长。通过挖掘社会媒体文本获得信息,相比于社会学研究中传统的问卷调查方式,有着更真实、数据量大、费用低等优点,因而越来越被广泛使用。但在社会媒体文本挖掘中,传统的基于词表的方法存在准确率低的问题。针对此问题,本文提出了基于依存句法分析的方法和基于机器学习的方法,除了分词信息,还应用词性标注、句法分析等自然语言处理信息,并在饮食行为识别上进行了实验。实验证明了基于依存句法分析的方法在准确率上相比基于词表的方法有大幅提升;基于机器学习的方法则相比另两种方法准确率都高,虽然召回率要低于基于词表方法,但仍然是综合表现最佳的模型。用基于机器学习的模型,可以从大规模微博语料中识别出饮食行为,并与原微博属性对应起来。然后从性别、地区、时间三个维度对微博用户的饮食习惯特色进行分析和交叉分析,用词云的形式可视化地展现了结果。此外,还进行了针对某一食品在地区、时间的热度分布的统计,也能从一定程度描述饮食习惯特色。此外,还探索了如何分析不同用户群体的饮食表达特色。最终得到了描述不同群体饮食表达特色的几个维度,并用词云展示了关于饮食表达特色的分析结果。