近年来随着社交网络媒体的不断发展以及网民人数的日益攀升,社交媒体正在成为网络社会热点事件产生和发酵的传播源头。面对海量数据,如何迅速、准确获取有效信息成为人们关心的热点。因此,本文对热点话题分类及话题的热度趋势预测技术进行了研究,旨在对社交媒体上无序的话题信息进行分类,并针对每一个话题类别对其热度发展趋势进行预测。在分析了文本分类研究现状的基础上,基于不同词性的词语在语义表达中具有不同的重要性的原理,提出了基于POSTLDA模型的话题分类算法。根据语言学中对词语词性的划分,将待划分语料根据词性划分为名词集、动词和形容词集、其他词集。设定权重系数调节不同集合的权重,融合三种词集下的文档主题向量建立话题集的特征向量集。然后使用聚类算法实现了对话题的分类。实验结果表明,本文提出的基于POSTLDA模型的文本分类算法,充分的利用了不同词性词语对分类结果贡献度不同的特性,取得了更优的分类效果。针对微博的结构特点,选取了热度表现特征构建了热度度量公式。提出了基于PSO优化BP神经网络的话题热度预测模型。构建出话题热度的时间序列模型作为预测模型的输入,依照优化后的预测模型,完成了对话题热度值的预测。并且提出热度增长率的概念,以用来衡量话题热度的变化趋势。通过实验预测出话题下一时间片的热度值,并通过计算热度增长率得到话题的热度变化趋势。实验结果表明基于PSO优化BP神经网络的话题热度预测模型与未优化的模型相比具有较高的预测精度,能够很好的模拟话题热度的变化趋势,对现实具有一定的指导意义。