随着信息技术的发展,更多的网络用户喜欢在网站上发表自己的观点,这使得互联网上的信息量急速增长。从网络信息中分析出情感倾向并且对其进行分类就是文本情感分析的研究内容。作为自然语言处理领域的研究重点,情感分析被广泛应用于政策反馈、舆论分析和产品改进等各个领域。与传统的情感分析方法相比,基于深度学习的情感分析不需要较高的人工成本和计算复杂度进行特征工程的构造,只需要设计灵活多变的网络结构来处理不同长度的文本,通过文本数据集训练模型,就可以学习到输入数据的深层特征并获得较好的情感分类效果。本文主要使用卷积神经网络、长短时记忆网络和注意力机制进行文本情感分析研究,所完成的主要工作内容如下:(1)研究了一种基于多通道CNN和LSTM的情感分析算法。该算法对多通道词向量进行卷积和池化操作构成多通道CNN模型,创新性地结合多通道CNN与LSTM网络提取文本特征。将提出的模型与其他模型在MR、SST-2、Subj、MPQA四种数据集上进行实验对比分析,结果表明本文模型提升了情感识别准确率和AUC值,增强了情感分类算法的性能。(2)研究一种基于多特征融合的CNN和LSTM情感分析算法。为了充分提取文本的全局特征、局部语义特征和长距离依赖关系,该算法使用一种新的全局-局部-全局模式结合CNN和LSTM网络,形成一种LCL模型,然后创新性地将多通道词向量引入到BiLSTM网络中提取上下文语义信息,最后把上述提取的多样特征以并列的模式进行融合。该算法使用中英文数据集进行实验对比,结果证明本文提出的网络模型可以更好的融合文本的全局和局部特征,并且更准确的提取上下文语义和情感信息。(3)研究了一种基于级联卷积和注意力机制的情感分析算法。在卷积层和注意力机制中加入级联层,将多层卷积后的深层特征与局部特征的注意力权重级联在一起,学习到文本的有效特征表示。该算法通过多标签数据集进行实验,分析比较不同的激活函数和优化算法对本文算法的影响,选取出最适合本文任务的激活函数和优化算法,并使用多个评价指标对比了本文算法与其他模型算法的性能。