随着国内外主流媒体的快速发展,微博已经成为人们发布、分享信息的主要平台。与传统媒体不同,微博在进行信息传播的同时也成为话题突发与传播的重要平台。突发话题可以不受时间、空间的限制,若不能有效且及时的检测及挖掘关键词对突发话题进行舆论分析,突发话题产生的负面影响将不断发展,最终会成为影响社会信任的突发事件,危及整个社会安危。然而,由于微博平台具有数据量大、用户交互频繁、信息碎片化严重等特性,通过人工标注方式进行实时监控不能有效的挖掘突发事件相关信息。因此,构建有效的舆情分析模型及时进行突发事件情感分析及预测,并正确引导舆论,对维护社会稳定与和谐有着重要的作用。本文针对微博平台突发事件演化进程做整体情感分析,构建了一种面向动态微博突发事件生命周期舆情分析研究模型,能够有效的检测突发关键词,提升模型舆情分析及预测性能。模型主要划分为突发事件潜伏期、萌芽期、蔓延期及成熟期。突发事件潜伏期间主要任务为挖掘及量化突发事件关键词。论文提出了一种社交信任模型及实时消息流监测模型,以有效检测突发关键词。该方法基于用户交互程度、用户交互质量以及历史用户交互值得到综合用户信任值,避免了检测用户发布突发伪关键词,并根据滑动窗口中关键词的挖掘,结合用户信任值权重,通过实时消息流检测模型得到关键词权重;突发事件萌芽期间主要任务是进行舆情主题聚类,有效的发现舆情主题并及时关注主题舆论发展。论文基于挖掘关键词及权重提出了一种突发话题聚类模型,模型根据人工标注特征集与情感词集合相似度匹配对舆情主题进行聚类;突发事件蔓延期间主要任务是公众情感倾向分析与预测等演化参数的动态研究。论文引入了一种情感词极性类别,针对聚类后主题进行情感词提取与权重计算,根据舆情主题关键词权重对各个情感词集合中情感词赋值,从而更加有效的判断舆论文本倾向;突发事件成熟期间,为了更加有效的预测下一突发事件的情感倾向,根据突发事件潜伏期、萌芽期、蔓延期实现技术,采用时间序列模型预测关联突发事件或新舆情主题事件,完成模型循环周期。为了验证本文提出模型的有效性及实用性,通过Python爬虫自动获取新浪微博平台下热门话题推荐窗口用户及用户转发、评论等数据。随后,采用准确率、召回率、F1值及ROC曲线对模型进行评价。实验结果表明,相较于传统的ILAB-Edinburgh模型,本文提出的面向动态突发事件舆情生命周期研究模型,在准确率、召回率、F1值及ROC曲线等模型评价指标下性能均有所提升。