评论文本主题识别是AI技术应用于互联网数据的典型范例，它通过自然语言处理算法和技术，从评论文本中提取出潜在的主题信息。然而，评论文本普遍具有长度短、语义稀疏、情感词多、用词较为随意等特征，会导致基于概率计算的主题模型效果并不理想。一些学者提出了融合Sentence-BERT和LDA的评论文本主题识别（SBERT-LDA）方法，将上下文信息与主题特征融合，取得了较好效果。但该方法将LDA的主题数作为K-means算法中的k值，导致了算法可解释性较差、主题一致性较低等问题。本文提出基于密度Canopy的SBERT-LDA优化方法（SBERT-LDA-DC），利用密度Canopy来改进K-means算法。实验结果表明，本文提出的方法在一致性指标上要优于使用K-means以及K-means++对特征向量聚类的同类方法；与SBERT-LDA方法比较，在1852条戏剧评论数据集上，一致性指标值提升了22.9%。