网络社交等互联网应用加快了人们之间信息共享与传播的速度,然而网络平台发言的便捷性、隐蔽性以及低成本特性,容易滋生不实消息,引起舆论风波,增加群众焦虑情绪。因此,对互联网舆情进行有效的预警分析,不仅能为相关部门争取更多的反应时间,做出应对措施,同时可以进一步压缩信息的真空、防止虚假消息的传播,降低舆情所带来的负面影响。对互联网舆情监测中的预警工作进行了详细的分析和综述。根据不同应用场景下采用预警模型的不同,将舆情预警模型分为三类:基于时间序列的预警模型、基于人工智能的预警模型以及基于组合优化的预警模型。对代表性的模型进行了深度的对比分析,总结了互联网舆情预警模型的优缺点以及存在的挑战,阐述了未来的研究热点和发展趋势。构建了一种联合拉格朗日插值补缺法的RVM-L-LIM预警模型（Relevance Vector Machine,Logistic,Lagrange’s Interpolation Method,RVM-L-LIM）。针对舆情趋势预测阶段,舆情信息存在数据量积聚速度快、信息受影响因素多以及数据量不足的情况,采用RVM-L将影响舆情的多因素拟合为综合热度值,保证舆情热度指标的兼容性。在数据量不充足的情况下,通过LIM方法在有效区间内预测数据,以填充历史数据量,对预测趋势进行修正,优化舆情趋势预测结果。提出了基于临界区的互联网预警机制。针对舆情预警分析阶段,舆情趋势存在动态变化、预警点难以准确界定的问题,在基于RVM-L-LIM模型预测趋势的基础上,计算出趋势变化的关键点;依据关键点以及误差变动范围确定预警点处的临界区,并对临界区进行预警等级划分;在各临界区实施预警干预措施,对干预后的舆情趋势进行分析。在新浪微博舆情真实数据集上,对本文所提方法的有效性进行了验证。分析了不同数据状态下不同预警模型的预测性能,采用相关系数（Coefficient of Determination,R-square）与均方根误差（Root Mean Squared Error,RMSE）指标与现有模型进行了预测性能对比分析;对不同临界区内进行干预的性能进行了对比,分析了干预后趋势峰值的变化以及趋势关键点对舆情的影响。实验结果表明,RVM-L-LIM模型趋势拟合预测精度达96%,在临界区内进行预警可以有效的控制舆情趋势,降低约60%的舆情峰值,提升了舆情预警性能。