近年来,随着WEB3.0的飞速发展,社交媒体也迅速发展起来,各大社交平台竞相怒放,用户量迅猛增长。截至2016年11月,Facebook注册用户数超过14亿,Twitter月活跃用户数已达到3.1亿,国内的新浪微博月活跃用户数也超过2.6亿。大量的活跃用户,每天自发的贡献,提取,创造,传播新闻资讯,使得每天有上亿条微博信息在各个平台上发布和传播。庞大用户群、海量文本信息吸引了越来越多的学者的关注与研究。事件检测与跟踪是一项旨在基于事件对信息进行分析和利用的研究。目前,国内外针对社交媒体的事件检测与跟踪研究成果较少。并且,社交媒体信息有文本短,信息不集中,网络用语多,口语化等特点,传统话题检测与跟踪方法用于社交媒体准确率很低。本文针对以上问题,提出了一种融合基于LDA浅层学习特征和基于Word2Vec深度学习特征的分类方法对新浪微博进行事件检测,并在事件检测基础上进行了事件热度预测与情感倾向性分析。本文以新浪微博为主要研究对象,构建了连续时间跨度超过两个月的语料库。通过融合基于LDA浅层学习特征和基于Word2Vec深度学习特征,使用随机森林算法对融合特征进行分类,可以获得微博条目的事件标签。我们对事件分类后的结果,利用微博的转发数,评论数,点赞数,是否是大V发布等参数以及历史热度信息,构建线性回归模型,对事件热度进行计算与预测。并提出了基于评价对象期望的情感倾向性分析方法来对事件的情感倾向性进行评判。为了验证算法的有效性,本文使用我们构建的语料库进行了实验验证并设置了对比实验,实验结果表明,本文算法具有优越的性能。