微博是微型博客的简称,推特作为全世界最具有代表性的微博平台,对它的挖掘研究近年来一直是热点。本文主要研究方向是推特平台的推文主题挖掘研究,不涉及中文微博平台。在当前使用传统的文本挖掘方法对推文进行主题挖掘面临着许多问题,例如推文的长度较短,文本数量大,基于词频的挖掘算法并不十分有效,推文中经常存在一义多词和一词多义的现象。而且在以推特为代表的微博平台中,包含着非常明显的关系结构特征,传统算法没有涉及。为了解决以上存在的难点,本文首先研究了多种文本挖掘算法,在各个方面分析了各类算法在微博主题挖掘中的优缺点,寻找适用于微博的主题挖掘算法。其次分析了推特中存在的关系模式,本文提出了一种推文层次关系结构,结构中的低层次的推文主题对高层次的推文具有依赖性,这使得推文的主题分配拥有一定的规律。本文基于推特的关系结构对LDA模型进行了优化,提出了新的ReLDA模型,在ReLDA中加入关系结构对主题分配的影响,主动的调整了引用和回复两种类型推文的主题分配方式,使模型适用于推特的文本主题挖掘。ReLDA模型在理论上使用了概率语言模型的思想,降低了主题和词项对词频的依赖度,在概率分配上解决了一词多义和一义多词的难点。根据ReLDA模型,本文对吉布斯抽样算法进行了改进,根据ReLDA模型中关系结构对推文主题分配的影响,在算法中主动的调整全局统计量,使算法的主题-词项分布和推文-主题分布结果均得到了优化,实验的结果证明了算法的性能和准确度均得到了一定的提升。最后为了加强算法的实用性,在挖掘算法的应用性方面做出了研究,基于数据可视化和软件工程思想,设计和实现了微博主题挖掘原型系统。系统包含了数据挖掘和数据展示两大模块,使用相关过滤策略对热门推文和突发推文进行了发现,对微博的主题和相关内容进行了展示。在原型系统的设计中,本文采取了一系列的可视化策略,使用图表工具表现了主题词及其概率的变化。