针对离线学习处理海量网络舆情数据时,内存受限、训练速度过慢等问题,本文提出两个在线学习分类模型来对网络舆情数据进行处理:一个是基于在线学习的网络舆情情感分类模型,另一个是基于在线学习的网络舆情主题分类模型。针对在线学习算法FTRL-Proximal的学习率会随着训练次数的增加逐渐消失的问题,提出一种改进的学习率优化算法,将学习率的分母项设置为累积梯度的均方根,分子项设置为累积参数更新量的均方根,并对梯度的一阶和二阶矩估计以及参数更新量的均方根进行偏差修正。采用Doc2vec模型来对情感数据进行训练得到特征向量,使用改进学习率的FTRLProximal算法更新逻辑回归的参数,得到在线学习逻辑回归分类模型,结合Doc2vec模型构成一个完整的在线学习网络舆情情感分类模型,并验证改进学习率算法的效果以及在线学习情感分类模型的有效性。针对CHI算法进行特征选择时只考虑特征词文档频率的问题,提出改进算法TDFCHI,通过计算特征词的文档频率及词频与类别的相关程度来进行特征选择。利用TDFCHI算法进行特征选择,去除冗余特征,再通过RFFS算法度量剩余特征的重要性,进行二次特征选择,得到优化的特征集合。采用改进算法进行特征选择,向量空间模型训练得到特征向量,使用改进学习率的FTRL-Proximal算法求解Softmax回归模型的参数,得到在线学习Softmax模型,结合向量空间模型构成一个完整的在线学习网络舆情主题分类模型,并验证改进特征选择算法的效果以及在线学习主题分类模型的可行性。