主题检测和追踪技术是自然语言处理领域一个新的研究方向,它主要研究如何检测新发生的事件并追踪事件后继发展动态,帮助人们把分散的信息有效地汇集并组织起来,从而从整体上了解一个事件的全部细节以及该事件与其他事件之间的相关性。主题追踪是其中的一个子任务,它的目的是监控新闻报道流,识别出与预先给定的几个新闻报道的主题相关的后续报道。目前国内这方面的研究尚处于起步阶段。论文对中文新闻报道中的主题追踪技术进行了研究,提出和改进了多种不同的算法,并提出了将一元语法模型应用到主题追踪系统中来。论文的主要工作情况如下:分析总结了常用的特征提取方法的优缺点后提出了基于类内频率的特征提取方法,并将这种方法应用到基于文本分类的主题追踪系统中,取得了较好的效果。TF*lDF权重计算方法虽然在文本分类中取得了较好的分类效果,但是这种权重计算方法缺乏理论依据,并且没有考虑特征项在文本集合中分布的比例情况。因此,在本文中提出了将特征提取中特征评估函数的值加入到特征权重的计算中,克服了TF*IDF的缺点。为了更好的提高主题追踪系统的性能,论文提出了将一元语法模型应用到主题追踪系统中,分析了影响主题追踪系统的几个重要的因素,提出了用词对代替词作为特征项来表示文本,虽然这种方法不能很大幅度的提高主题追踪系统的性能,但在不提高系统开销的情况下,降低了特征的维数,提高了系统的性能,为以后的研究奠定了基础。基于上述理论和改进的算法,搭建了主题追踪系统的平台,实现了基于文本分类的主题追踪系统和基于一元语法模型的主题追踪系统。