随着社交网络在全世界的普及使用,现实生活中发生的绝大多数事件总能在第一时刻被相关用户在各类社交平台上报道,因此利用社交网络数据进行实时事件检测可以显著提升事件发现的实时性和全面性,可以有效提高政府机构对突发事件的应急响应能力。但是,由于社交网络的开放性和随意性,使得社交网络数据具有不准确（数据存在大量噪声）、不完整（例如文本通常较短）等特点,使得利用社交网络数据进行事件检测的准确率和可靠性都较低。针对上述问题,本文开展社交网络在线事件检测和分析方法研究,主要贡献概括如下:（1）提出了基于时空突发性的文本去噪方法。事件词在时空分布上具有突发性,而噪声词在时空上是随机分布的。该方法通过拓展空间Ripley’s K函数为时空Ripley’s K函数实现事件词和噪声词差异性的描述,进而引入图正则化算法降低事件词和噪声词区分对分界阈值的敏感性。通过删除不包含事件词的文本实现原始文本数据流的去噪。将该方法应用在真实社交网络数据中,能在不损失事件信息的情况下去除绝大部分噪声数据。（2）提出了基于信息传播特征的在线事件检测方法。该方法首先从文本、语义和词共现三个角度构建相似性,用聚类方法识别描述相同事件的不同文本,然后再用异质图对文本聚类结果中包含的内容、用户及它们之间复杂关系表示的基础上,利用基于元路径的节点间互达概率量化异质图的同质性,对无用信息和事件信息在传播规律上的差异进行区分,进而实现真实发生事件的判断。本文提出的方法在真实的社交网络数据集上取得了优异的结果,相比于当下主流的工作Geoburst+、EDMC和Even Tweet,在事件检测结果的准确率、召回率和F1值上至少高出17.3%、14.1%和15.7%。