随着互联网的快速发展,网络中涌现出大量的匿名文本,这些匿名文本中不乏充斥着虚假信息、诈骗信息、甚至是危害国家安全的谣言信息。特别地,暗网因其与生俱来隐匿性,已经成为不法分子犯罪的理想场所。文本作者识别技术可以较好的发现并追踪网络文本的作者,从而打击、预防网络犯罪,维护网络环境的健康安全。现有的文本作者识别技术针对网络文本进行作者识别,其准确率及可靠性较低,且在文本特征筛选过程中人工参与度较高。因此,本文针对网络文本数据采用深度学习及自然语言处理领域较先进的技术进行匿名文本作者身份识别研究,本文的工作内容包括如下三个方面:（1）针对网络文本作者识别效果较差的问题,提出了基于深度学习的作者识别模型。该模型通过Transformer-Encoder模型进行文本特征提取,不仅可以学习更为丰富的文本特征内容,而且还可以提高模型的并行效率,加快网络的训练速度。此外,为了克服卷积网络中池化操作导致文本特征缺失的问题,该模型引入胶囊网络通过动态路由机制聚合文本特征,从而尽最大程度地保留更多的文本特征。相比于其他的作者识别模型,该模型在作者识别任务的准确率、精确率、召回率、F1指标上均有较小的提升。（2）针对网络文本作者跟踪的需求,提出了基于孪生神经网络的作者匹配模型。该模型通过孪生神经网络权值共享的特点将输入文本内容映射到相同的高纬度特征空间,从而根据特征之间的相似度计算,达到文本作者匹配的目的。此外,为了获取更为全面的文本特征,提高文本作者匹配的准确率,在进行文本特征获取时,该模型将文本的深层特征及全局特征进行融合,从而基于孪生神经网络进行作者匹配。相比于其他的文本特征提取模型,该模型在作者匹配任务准确率上有较显著的提升。（3）针对本文提出的基于孪生神经网络的作者匹配模型,设计并实现网络文本作者跟踪应用系统,从时间与空间两个维度对网络中的文本作者进行识别与跟踪。该系统可以实现多种功能:包括文本作者相似度的计算、文本作者轨迹查询以及文本作者地理位置活跃频次查询等功能,并以可视化技术清晰、直观的呈现各种功能结果,便于用户的操作与信息的获取,从而高效的实现文本作者的跟踪。