社交媒体是互联网上基于用户关系的内容生产与交换平台。近几年社交媒体的迅速扩张使人们可以实时便利地了解世界上正在发生的事情的信息。基于社交媒体的事件检测是一种从海量社交媒体内容中挖掘出有价值信息的技术。基于社交媒体中检测出的事件,国家管理机构能够及时了解现实社会的重大突发事件并采取相应措施,个人能够及时了解社会上出现的热门话题并参与讨论。社交媒体事件检测方法中,在线事件检测由于其时效性较高,最受研究者关注。在线事件检测方法通常先用文本在线聚类技术对社交文本分组,然后为文本簇提取事件特征,最后根据特征值设定阈值或者采用有监督的分类模型过滤出事件,然而现存方法在以下俩个方面存在缺陷:第一,由于社交文本信息稀疏且噪声大,常用的在线文本聚类方法存在着聚类中心漂移、聚类效果不稳定的缺点;第二,在线聚类得到的文本簇事件特征不明显,导致事件判定困难,同时不同源的社交媒体数据事件特征取值范围不确定导致事件判定模型不通用。针对上述问题,本文以推特数据流作为研究对象,以实时在线事件检测与演化为目标,主要在以下几个方面进行创新:（1）提出基于词突发特征的社交文本在线聚类方法。针对现用于事件检测的文本在线聚类方法存在聚类中心漂移和聚类效果不稳定的问题,该方法利用事件突发特征来进行以事件文本为中心的聚类,首先检测出突发词,然后利用谱聚类方法对识别出的突发词进行划分,将每一个划分结果作为一个聚类中心,再对社交文本进行聚类中心固定的聚类。该聚类方法可以达到实时聚类时聚类中心固定不漂移和聚类结果稳定的效果。（2）提出基于原型网络的突发事件判定方法。该方法先为文本簇提取基于事件突发性和演化性的时序特征、文本一致性特征和用户多样性特征,该特征提取方法可以提取不定程度不定持续时长的事件特征,解决了文本簇事件特征不准确导致事件判定困难的问题。针对现存事件判定模型不通用的缺点,该方法对提取出的文本簇特征采用自适应的半监督的方法判定事件,利用小样本学习中的原型网络方法对事件特征进行度量学习,使得判定模型可以在更换检测数据源时仅需要标记少量样本即可取得良好的事件判定效果。