社交媒体平台下话题多种多样,个体与个体之间通过关注关系、传播关系的网络结构发生信息交互,影响着每一个人的观点行为。本文围绕社交网络中的“话题检测”和“传播人物挖掘”两个核心问题,以Twitter为主要场景展开面向社交网络的话题检测与分析、基于多种关系网络的传播人物挖掘的研究。具体工作内容包括如下3个方面:（1）针对话题检测下的短文本预处理和话题发现的研究,现有方法存在短文本处理不全面、主题模型检测速度慢且不能给出话题时间跨度的问题,本文改进了以往的解决方案。首先,本文改进了短文本预处理的方法,通过对社交网络短文本特点的分析、现存文本相似度指标的分析,探究了社交网络短文本数据的特点,提出了适合短文本话题语句过滤的特征、短文本语义聚合的相似度指标,实现了基于数据过滤、语义聚合的文本处理过程,缓解了社交网络短文本流中噪音大、语义稀疏的问题,使主题模型达到了话题噪音小、聚类一致性强的效果。本文提出了基于异常主题标签的话题检测方法,该方法定义了单位时间内单词异常值的计算方法,通过计算最大连续时间序列的异常值的和来确定话题时间跨度,相较于主题模型达到了检测时间短、话题时间精度高的效果。（2）针对传播用户挖掘方面的研究,现有方法存在对关系网络利用不充分的问题,本文提出了基于多种关系网络的传播人物挖掘的方法。本文以影响力传播者和合作群体为切入点,从多个关系网络发现传播人物。针对影响力传播者的识别,本文提出用静态、动态影响力相结合的影响力计算方法,综合了在关注关系网络下用户多种属性特征计算的用户亲密度得到的静态影响力以及转发关系网络得到用户在推文传播时的动态影响力。针对合作群体的发现,考虑从用户行为特征构建关系网络,从多个角度检测出合作群体,并对不同的合作群体给出合理的解释。（3）设计了传播人物展示的可视化系统,实现了数据爬取、用户查询、用户分析模块。数据爬取模块可以依据关键词、时间获取指定文本流,将其储存在MongoDB数据库。用户查询模块可以展示用户信息、用户关系。分析模块展示话题下的合作群体和影响力传播者。