对于社交媒体平台而言,识别和标注出特定语言的文本对于情感分类、趋势提取、预测电影评分等研究都具有重要的现实意义。传统的语种识别方法大多基于语法格式良好的较长文本,而对于社交媒体消息等短文本的识别效果并不理想。本文以社交媒体短文本为研究对象,研究语料标注和语种识别方法。主要包括以下两个创新点:(1)结合域相关信息的最大化自动标注方法提出并实现了一种结合域相关信息与基分类器投票的最大化自动标注方法。该方法首先研究了域相关信息在社交媒体文本中的语言相关性,并基于用户特有语言假设提出了用户特有语言权重的计算方式。该权重计算简单,并且能够有效提高语料标注的准确性。然后,基于现有语种识别方法作为基分类器,计算每个分类器的预测概率进行加权投票,并结合用户特有语言权重进行语料的自动标注。最后,使该方法在公开数据集和真实社交媒体文本数据集上进行实验,实验结果表明相较于单独的语种识别方法和简单投票的标注方法而言,该方法在语料库的自动标注中能够获得更高的标注准确率、精度、召回率和F1-Score值。(2)基于N-Gram向量特征的语种识别方法研究提出了基于N-Gram向量特征的语种识别方法,该方法对级联森林方法进行了改进,采用了基于N-Gram加权词频和句向量的文本特征表示方法来提高语种识别的准确率。在真实的社交媒体短文本数据集上进行实验,实验结果表明该方法能够较好地识别社交媒体短文本的语种类型。相较于另外五种现有的语种识别方法TextCat、Langid.py、Language Detector、Language Detect 和 FastText,通过在预训练语言模型和重训练语言模型的两种不同的实验方式下,该方法都取得了明显较高的准确率、精度、召回率和F1-Score值。最后,本文设计和实现了语种识别系统,并在公开短文本数据集上进行测试。测试结果表明,本文所提出的语料标注和语种识别方法在社交媒体短文本上是有效的。