移动互联网时代,在线新闻的产生与传播变得非常迅速,如何及时又准确地预测新闻舆情成为了当今社会不可忽视的问题。文本社会情绪分类技术在近些年受到了学术界的广泛关注。社会情绪分类旨在从新闻文本出发预测大量读者阅读该新闻后的情绪分布,如高兴、悲伤、厌恶等。本文研究基于主题增强神经网络的社会情绪分类方法,具体包括以下三个方面的内容:（1）提出一种基于主题语义融合特征的社会情绪分类方法:该方法的核心思想是提出了一种融合门机制,以在社会情绪分类中融合并利用文本主题特征和文本语义特征。其中,对文本语义学习,我们提出了一种依存句法感知的递归神经网络来利用句子的依存句法知识;对于文本主题学习,该方法使用LDA主题模型提取文档主题分布,并利用神经网络得到主题特征向量。最后,利用融合门机制融合文本语义向量和主题向量。实验表明该方法能有效融合主题特征和语义特征,大幅提升了现有社会情绪分类的性能,同时也证明了依存句法感知的递归神经网络在语义编码上的优越性。（2）提出一种基于端到端的主题增强自注意力网络的社会情绪分类方法:该方法首次解决了在社会情绪分类任务上主题学习与情绪分类学习的分离问题,设计了一种统一的神经网络框架以多任务学习的方式联合训练主题建模和情绪分类两个任务。具体地,我们提出了一种神经主题模型进行主题特征学习,还提出了一种主题增强的自注意力机制融合语义特征和主题特征。实验表明这种端到端的联合训练网络不仅能显著提升社会情绪分类性能,对主题建模也具有明显的积极作用。同时在鲁棒性和训练效率上该方法也有很好的表现。（3）提出一种基于语义驱动主题编码器的社会情绪分类方法:该方法首次在主题编码中融合细粒度的单词级别语义特征。我们提出了一种语义驱动的主题编码器来合成每个主题的嵌入向量表示,并基于主题嵌入向量和文档主题概率分布得到文档主题特征向量;也提出了一种前向自注意力网络利用单词顺序信息,进行文本语义特征的学习。实验表明我们提出的语义驱动主题编码器超越了传统的基于概率的主题编码器,能有效提升社会情绪分类性能。同时在鲁棒性和训练效率上该方法也有很好的表现。本文从以上三个方面对现有社会情绪分类技术做出改进,并使其性能得到大幅度的有效提升,为后续社会情绪分类领域的工作提供了重要的借鉴参考意义。在将来,我们还可以从情绪间先验关系、事件建模、大规模语言模型、超长文本建模等角度进行进一步的创新研究和性能提升。