随着互联网的快速且深入的发展,微博等社交网络已经是人们获取最新资讯的主要方式。对于微博中大量内容进行热点话题发现有利于快速了解讯息。传统的用于热点话题的聚类算法在处理微博平台中大量、高维、稀疏数据的时候聚类效果并不好,且算法运行时间过长,聚类结果与实际情况差距较大。本文对微博平台中热点话题发现的问题进行研究,针对K-means聚类算法在高维稀疏非线性数据集中的消耗时间过长以及聚类效果不佳的问题,从特征提取的方向入手进行算法改进,结合深度信念网络和聚类共通的地方,提出了一种基于深度信念网络的K-means聚类算法。该算法利用深度信念网络对数据集不断学习和调整,使数据内部隐藏的结构和类别属性显现出来,再利用K-means算法对经过学习的特征进行聚类,提高聚类的效果和效率。最后将提出的基于深度信念网络的聚类算法应用于新浪微博的热点话题发现中去,完成了热点话题发现系统仿真实验,主要包括数据采集模块、数据预处理模块、热点话题发现模块三部分,最终提取的热点话题以话题词云和关键词的形式展示出来。