互联网新闻因即时性强、涉及面广等优点，是人们日常获取信息的主要途径。建立以话题为主线的信息组织模式、快速有效地检测出新话题以及热门话题，已成为当今研究热点。它的意义在于不仅有助于让大众知晓社会热点、及时发现社会舆情，同时还为监管部门掌控全局、制定相关政策提供了理论依据。　　 针对网络新闻专题所特有的持续时间长、涵盖事件多、涉及层面广等特点，本课题研究如何构建一种面向网络新闻报道的话题检测模型，及时、准确、高效地检测出新闻话题。在研究过程中，主要工作和创新点如下：　　 第一，提出了一种改进的关联检测算法。该算法将传统的向量空间模型和自然语言处理技术相结合，通过引入网络热搜词、借助词性筛选词语、改进权重公式等策略依次解决了未登录词过多、特征维数过高、核心词与修饰词混淆等问题，使得关联检测的准确率大幅度提升。　　 第二，提出了一种基于元增量式聚类算法的多级聚类策略。该策略利用多级迭代思想，有效地缓解了话题被拆分问题。同时还为新闻话题构建了结构化体系，为实现话题快速整体浏览、有效定位阅读、追溯发展过程等功能奠定了基础。　　 第三，设计并实现了两个舆情监控管理系统的热点话题检测模块：为用户提供一个浏览热点话题的平台。在实际应用中发现，本文所提出的改进算法针对网络新闻报道以及类似的论坛、微博信息，均具有良好的聚类效果，性能优于传统聚类方法。