如今,微博平台在实时传播信息方面发挥了重要作用。然而,由于其具有规模大、实时性强和数据非结构化的特点,常见的数据挖掘方法在处理它们时不再适用。为了克服传统微博事件检测与摘要方法忽视微博平台中丰富视觉和社交信息的缺点,帮助人们快速掌握本质意义的大量的微博,本文以著名社交网站Twitter上多个个热点话题约100万数据作为主要研究对象,主要研究了跨模态微博事件检测、摘要。考虑包括文本、视觉、社交、时间等多个特征,提出了基于异构网络的事件检测和摘要框架。首先在数据预处理阶段,定义严格的过滤模式去除无意义的博文和图片;接下来在事件检测阶段,使用异构网络模拟微博数据的异质特性,采用后期多模态融合实体相似性模型来组合Twitter数据的异质特征,并使用近似相似算法生成融合特征后的同构图。下一步在同构相似度图上采用改进DBSCAN的算法,融入概率模型解决子话题分割的问题,然后根据子话题的热度及新颖度对产生的聚类排序。最后,分别为话题生成文本和视觉摘要。本文的贡献如下:1、利用多模态信息构建动态异构信息网络,解决传统方法不能利用微博丰富附加信息的缺点。利用AFF函数融合多模态特征,考虑它们的语义相似性和时空接近性来区分事件。从异构网络转换为同构网络,保留关键信息的同时为之后的检测和摘要简化结构。2、为了提高检测和摘要的多样性,减少话题分割的现象,在聚类阶段,提出HRDBSCAN算法,在原有聚类算法的基础上结合概率统计方法合并相似类簇;在摘要阶段,对子话题摘要结果再聚类,确保每个子话题在摘要只出现一次。3、在包含若干真实事件的Twitter数据集上实验,实验结果证明与现有方法相比本文提出框架的新颖性和优越性。