作为一个新兴崛起的研究领域,基于Twitter、新浪微博等社交媒体的事件挖掘研究正受到越来越多的关注。针对社交媒体数据流的噪声数据过滤、事件识别和事件摘要生成技术已成为重点研究内容。目前已有的方法主要对文本进行事件摘要分析,然而图像具有传递信息更快捷更直观的特点,如何利用图像对事件进行视觉描述同样值得研究。根据微博数据的特点,提出了基于微博事件的多模态关联的图文摘要生成算法。采用了基于主题的图排序算法用于计算事件相关度,综合分析了文本-文本、图像-图像和文本-图像三种类型关系对于事件识别的作用。同时,在考虑事件相关性和信息多样性方面引入基于随机游走的图排序算法用于微博数据多样性重排,得到事件图文摘要。基于微博数据流的事件分析面临较多挑战,微博存在大量的干扰数据,这在很大程度上制约了事件识别的效果。此外,传统的文本挖掘技术已经不再适用,因为微博设置了文本字数的限制,同时还存在大量的拼写错误,以及非正式的口语化文本。为了处理这些问题,采用了基于潜在语义主题模型的文本扩展方法,对文本运用主题模型发掘其潜在主题,并利用高频率主题词作为文本的特征空间对微博进行语义扩展。同样的,微博中的图像也存在诸多问题如重复图像,针对这一问题运用了感知哈希方法进行处理。除了重复图像问题,微博图像的主要问题是存在自拍、表情、二维码等干扰图像,为此采用了支持向量机分类器用于过滤该类不适合用于事件摘要的无内容图像。通过在搜集的真实微博数据上进行实验,其结果表明本论文的图文摘要生成方法对比于传统的聚类算法具有更高的召回率和准确率。