每年的台风灾害,都给我国人民的生命与财产安全带来严峻威胁。由于灾情的分散性,传统的灾害信息收集手段存在严重的滞后性,已无法满足政府部门及时开展救灾工作的需求。以Twitter、Facebook和新浪微博为代表的社交媒体,因其广泛的参与度、多源的传播方式和信息的时效性强等特点,能够有效地弥补传统大众媒体覆盖盲点。在灾害发生的第一时间,公众扮演社会传感器的角色,能通过网络及时发布灾害信息,对灾害应急决策具有参考价值。但由于社交媒体中的文本记录具有数据量大、非结构化、破碎度高、特征稀疏和口语化等特点,如何从该类数据中快速地挖掘优势信息,对台风灾害应急管理部门具有重要意义。针对该问题,本文基于台风灾害领域知识并结合自然语言处理技术(Natural Language Process,NLP)和地理信息系统(Geographic Information System,GIS),提出了一种面向台风灾害领域的社交媒体文本信息抽取和可视化分析方法。首先本文基于LDA主题模型(Latent Dirchlet Allocation,LDA)获得的微博文本主题信息,构建了台风灾害的微博数据分类体系,并设计了一种基于相似主题合并的微博文本快速分类方法,经训练集验证该方法总体分类准确率为75.1%;然后,针对社交媒体文本中蕴含的不同类别的灾损信息,本文基于台风灾害的领域知识对各个灾种特征词进行归纳,并针对微博文本表达的口语化问题,引入词向量模型扩展特征词汇,实现针对具体灾种较为全面的数据检索;最后,为进一步对数据检索结果进行整合,本文分析了微博文本中时空信息和台风灾情信息的表达特征,提出一种面向台风灾害领域的灾情信息表达框架,并构建了相应的标注体系,基于条件随机场模型(Conditional Random Field,CRF)识别文本中蕴含的时空信息和灾损信息,经验证在训练集的准确率、召回率和F值分别为90.3%、67.4%和77.2%,结合TF-IDF(Term Frequency-Inverse Document Frequency)算法在空间、时间和文本类别三个维度上对台风灾害相关微博数据进行信息聚合。基于上述方法,本文构建了基于微博数据的台风灾情信息抽取与可视化系统,并以2016年14号台风“莫兰蒂”为例,结合现实灾情新闻报道和相关文献,评估了该方法的可行性和结果的准确性。结果表明,本系统可以通过用户给定的关键词、事件类别和空间查询等交互方式,自动抽取相关灾情信息,通过事件地图和时间序列直观地展示灾情的时空分布和各类事件的发展趋势,可应用于提升灾害应急管理部门态势感知能力并辅助决策支持。