地震是破坏性最大的自然灾害之一,目前现有的科技手段难以对地震进行精确的预测,因此完备的应急救援措施是降低灾后损失的重要保障,其中灾情的准确评估起着至关重要的作用。如何实时地、准确地获取灾情信息一直是灾害研究的热点,传统的研究主要是根据遥感卫星影像、实地考察等方法提取受灾信息,但随着移动互联网的发展以及基于位置服务（LBS）的广泛应用,使得每个人都能够实时分享自身的地理位置信息,这一现象为地理灾情研究带来了新的入口和方向。在地震突发时,社交网络、媒体中传播的舆情数据具有十分丰富的灾情信息,其中包含的地理位置和文本信息能够一定程度上反映受灾情况,为政府宏观调控、组织救援行动提供辅助决策的作用。但网络信息内容繁杂、结构无序,如何在复杂的网络舆情信息内提取灾情信息,并结合其自身的位置信息进行空间分析,具有十分重要的研究意义。论文首先通过基于微博API的网络爬虫技术获取了 2017年全年的微博签到数据,整合签到数据并提取兴趣点,在此基础上提出了 一种用户分布模型。然后,以九寨沟地震为研究案例,获取了震后一个月内与地震相关的微博数据,通过用户分布模型对灾情信息的地理位置进行加权以消除由用户分布的空异质性而带来的干扰,最后对加权后的灾情数据进行空间插值分析,得到九寨沟地震灾情影响结果,同时对网络地震舆情进行时空变化分析,并探究造成这种变化的原因。本文的主要研究内容及研究结论如下:（1）结合模拟登陆技术的微博数据采集及兴趣点更新研究。本文以微博API为基础,结合模拟登陆方法实现了微博数据的快速采集,最终共获取2017年全年签到数据约2360万条、九寨沟地震相关数据28万条。实验结果表明,模拟登陆技术能够有效解决社交媒体的用户验证问题,并且突破API调用的频次,极大提高了数据采集效率与质量。基于签到数据对已有的兴趣点（point of interet,POI）数据集进行更新,最终获得兴趣点约23万个,平均每个POI点位具有104个签到信息。实验结果显示更新后的兴趣点内容丰富,信息完善,这证明了社交媒体签到数据在POI更新上具有较好的适用性。（2）微博短文本识别研究。本文首先对训练集进行人工分类,考虑到文本内容繁杂多样,本文采用标签的形式对每条文本进行标注。通过ICRCALS系统对灾情文本进行分词处理,然后结合Word2vec工具提取训练集的特征词向量,最后利用训练集分类结果与特征词向量对卷积神经网络进行训练,得到网络短文本分类模型并对该模型进行可行性检验。结果显示,模型总体分类精度可达86.6%,因此基于该模型对余下的舆情数据进行分类处理。结果表明,分类模型过滤了近55%的无意义数据,留存灾情微博103559条。上述结果表明,卷积神经网络算法在网络短文本识别问题中具有较好的适用性,有效解决了文本向量的维数灾难及局部最优解等问题,提高了互联网短文本的分类效率与准确率,为后续的数值化处理提供了良好的数据支持。（3）用户分布模型构建。考虑到用户自身的空间分布具有极高的空间异质性,若不消除空间异质性的影响,则会主观的认为用户签到集中的区域为灾情的发生区或蔓延区,对灾情的提取造成干扰。因此本文根据更新后的POI数据集,构建用户分布模型来计算签到数据的活跃权重并进行空间自相关分析。实验表明,活跃权重的全局Moran’s I与灾情POI数据相比具有显著提高,且平均邻居点数在90处附近时具有最大值0.398,说明用户分布模型能够有效提高属性数据的空间自相关性,减少空间异质性造成的干扰,为后续的空间分析提供了理论依据。（4）网络地震舆情时空变化及其驱动力分析。本文从灾情微博每日发布量、网络灾情微博构成成分以及灾情微博的空间位置三个方面对地震舆情响应的时空变化现象及其驱动力进行了相关分析,实验结果表明,民众对地震灾情在网络上产生的响应的发展符合舆情事件的演进规律,且在在事件突发期和蔓延期,民众响应在空间上存在高度聚集和偏移的现象。结合灾情的实际发展情况进行讨论,发现余震因素、交通因素以及游客撤离因素是造成上述现象的主要原因,这一现象说明网络地震舆情的时空演变与灾情的发展具有一定关联性,能够作为灾情发展、评估的辅助资料。