随着信息时代的发展,社交网络已经成为人们日常生活中交流的主要工具。其中,微博平台凭借其灵活而开放的优势迎合了年轻人的喜爱。由于社交网络产生的短文本的巨大价值,短文本的情感分析越来越受到学术界和企业界的重视。然而,随着表情符号的出现,人们更喜欢使用表情符号来表达自己的情感。自2012年苹果公司将表情符号添加到i Phone的更新版本中以来,它们便迅速应用在社交网络（如微博、推特等）。此后,大多数微博都是文字和表情符号的组合。因此,仅考虑纯文本的情感分析方法不适用于含有表情的社交网络文本,会存在语义丢失问题。本文基于传统的深度学习模型,考虑了表情符号所包含的情感,而不是仅仅将表情作为文本情感分析的辅助特征,能够有效挖掘表情的情感倾向,提升社交文本情感分析的性能。本文的具体研究如下:（1）针对目前流行的社交网络情感分析数据集很少含有表情符号的问题,本文自主构建了含有表情的真实数据集Weibo＿SL。本文首先使用了数据预处理技术对社交网络文本数据进行清洗,并使用人工方式进行数据筛选和情感标注,最后进行相关的实验分析以证明了该数据集的有效性。该数据集包含了2017年1月至2020年7月100个不同用户提供的6436条微博,其中5526条微博同时包含单词和表情符号,能够反映真实的社交网络文本环境。（2）针对当前主流的情感分析模型少有分析含有表情的社交网络文本的问题,本文提出了一种基于三级注意力机制的情感分析方案。该方案主要针对含有表情的社交网络文本数据,深度挖掘文本中情感词和表情的情感倾向,并结合两者的情感倾向来分析文本的整体情感状态。该方案基于TF-IDF算法和中文情感词典提出了一种新颖的词向量加权方法,能够有效提升情感词的关注度。此外,该方案使用Bi-LSTM循环神经网络和注意力机制来有效挖掘文本和表情的情感语义,分析帖子整体的情感倾向。在真实社交网络文本数据集上的实验证明,该方案能够有效挖掘社交文本的情感倾向,提高社交文本情感分析的准确率。