近年来,针对社会媒体信息的自然语言处理相关研究越来越受到广泛关注,特别是对社会突发事件及网络敏感信息的监控与预警,对社会舆论的情感趋势变化的分析与预测,都有非常重要的研究价值。本文面向新浪微博数据,对热点话题的情感趋势进行深入的分析和计算,并根据历史微博数据进行趋势建模,预测热点话题的未来趋势。本文根据微博数据的特点,将热点话题分为长期话题和短期话题,对这两种不同的话题分别进行事件趋势分析与预测,重点对预测趋势发展的各种特征进行深入研究。本文的主要研究工作如下:1.提出了一种基于联合深度学习模型的情感分类方法,对微博数据进行情感分类。该方法使用卷积操作将纯粹的多个词向量序列重新序列化,得到了具有n-gram信息的词向量,实验结果表明,采用该方法与传统的CNN方法和LSTM方法比较情感分类准确率更高,该方法在COAE2016年的情感分类任务中排名第一。2.对微博短期热点话题进行趋势分析和趋势预测,该方法通过对样本范围内数据的计算,获得影响事件趋势的相关指标的数据值,将2个小时划分成1个时间段,使用不同的历史时间段数据进行对比,在4个时间段内达到预测的最佳效果。在事件趋势预测研究上按照特征类别排序,构建回归模型进行话题热度预测。实验对比了自回归方法,GBDT和CNN四种预测方法,实验结果表明在短期话题中预测2个小时内的趋势时,基于GBDT的方法达到最佳效果,当预测误差在5%以内记为预测准确时,准确率达79.1%。3.对于长期话题,本文提出子主题分离预测法,利用在线LDA模型对相同时间片上的微博数据进行训练,得到子主题演化和子主题强度,将话题的发展分为4类,使用SVM建立分类模型,对于不同波峰之间的数据分别进行预测,实验结果表明该方法对于话题热度的分类准确率达到86%,整体趋势预测也取得了较好的结果。