伴随着信息时代的到来,海量文本数据应运而生。主题模型作为重要的文本信息提取方式,主要用于挖掘大型文本数据背后所隐含的内容,快速提取信息。然而,常用的主题模型往往是对文本分词后形成的单词集合进行建模,忽视了文本词序间的信息,鉴于此,本文基于传统LDA（Latent Dirichlet Allocation）主题模型与HMM（Hidden Markov Model）模型,提出了HMM-LDA模型,并完成以下工作:第二章提出了HMM-LDA模型以及主题推断算法。由于文本中单词隶属的主题之间具有小范围的“同义性”,因此将分词后的文本视为单词序列,主题视为隐状态,对单篇文本建立HMM模型,通过估计平稳分布及转移概率矩阵描述主题的分布情况。其次,结合实际文本数据集设计了三组数值实验,对比HMM-LDA模型与LDA模型在主题内容及稳定度两个方面的差异,实验表明:相比LDA模型,HMM-LDA模型虽然在主题分布的稳定性上较差,但主题内容与文本表达的核心内容更加贴切,结果更具解释性。第三章将HMM-LDA模型应用于现实问题,对当下热点名词“普惠金融”相关的文本数据集进行主题演化分析。首先利用HMM-LDA模型对文本集合构建经验模型,获得每篇文档下的主题分布,其次从主题热度及主题内容两个角度分析它们随时间的变化情况。结论表明:主题22与主题60在2021年始终保持一定热度,其中主题22热度更高,在7月达到峰值;两个主题中的高频词汇“数字普惠金融”与“普惠金融发展”描述了2021年普惠金融相关文献的热点研究方向。