网络信息安全问题日益增多,人们对网络上信息安全类内容的关注度也在逐渐增加,因此,需要一种能够有效地组织和分析大量网络信息内容的技术,并在准确提炼出网络信息安全相关的文本后,展示给网络用户。TDT(Topic Detection and Tracking,话题检测与跟踪)技术应运而生,它可以在网络信息流中检测出信息安全类文本中的新话题,还可以对已知安全话题进行持续的信息跟踪,让人们能从整体上了解一个信息安全事件的全部细节,最终使信息更加有效、准确地为用户使用。本文首先介绍了 TDT的相关技术,包括文本分词、文本表示模型、文本特征提取、向量权重计算、相似度计算和文本聚类。然后,本文分析了信息安全类文本不同于传统TDT语料的特点,并针对其特点和相关算法的不足,在文本特征处理阶段改进相关筛选方法和关键词算法,有效地提高了后续文本处理的准确性。基于层次聚类的传统话题检测算法容易出现群聚效应,影响实现效果,因此在层次聚类的基础上,提出并实现了新的话题检测算法,结合了向量加权计算和两步聚类方法,实验表明该算法提高了话题检测的正确率,降低了误测值。传统话题跟踪算法容易出现话题漂移以及在相似度计算时容易出现误差,因此在传统话题跟踪的基础上,提出并实现了新的话题跟踪算法,结合了话题向量模型动态更新和调和平均相似计算的方法,实验表明该算法提高了话题跟踪的正确率,降低了误测值。本文在话题检测和话题跟踪的基础上,实现了热门话题的排序和重要性分析。相关算法实现了按照时间线输出代表性文本,这有助于人们更好地了解和分析热门话题。