自2019年末至今,新冠肺炎疫情在全球范围内暴发、传播和变异,引起人们的广泛关注与积极讨论。随着互联网技术的飞速发展,新浪微博等网络社交平台以其快捷、共享、实时等优点成为人们信息发布与获取的主要途径,成为网络舆情发展与传播的重要载体。如何利用聚类、深度学习等技术方法从海量的舆情信息中检测出人们最关心的话题和情感趋势,从而引导正向的舆论传播,是当今非常有意义的研究课题。本文以“基于聚类和深度学习的微博舆情分析”为题展开研究,从国内外研究成果出发,基于前人对网络舆情的分析方法和成果,加入自己的改进思路,从聚类和深度学习两个方向开展研究,并应用于新冠肺炎疫情这一特定热点事件的微博舆情分析研究中。（1）数据获取与预处理,本文使用Python语言开发以“新冠肺炎疫情”为主题的微博爬虫,同时抓取博文和评论内容,解决了舆情分析数据不全面的问题,为接下来的实验打好数据基础。预处理阶段包括了数据清洗、中文分词和文本向量化表示。本文采用Word2Vec模型,训练静态词向量,可以更精确地提取语义特征。（2）话题检测,针对传统K-means聚类算法的缺点,提出了基于Jaccard距离改进的K-means算法,首先通过Jaccard距离计算出k个最不相似的文档,作为初始聚类中心,减少了迭代次数,提高分类准确率。在实验环节,使用中文文本数据集,与传统的算法进行对比实验,验证了改进算法的可行性,本文提出的改进算法的轮廓系数度量值优于对比算法。在应用环节,使用获取的微博数据进行分类,根据得到的词频图与词云图,有效检测出微博热点话题与新话题。（3）情感分析,本文提出在CNN和LSTM神经网络模型基础上,引入自注意力机制self-Attention和Maxout神经元,实现有效的特征提取,更好地获取上下文语义并解决了时间和空间上的梯度弥散问题。在实验环节,同时构建了 CNN、LSTM、self-Attention和本文提出的CNN-Attention模型,经过对比实验验证了提出模型在精确率和F1评价指标上皆优于对比的标准模型。在应用环节,对获取的博文和评论数据进行情感分类预测,得到情感值随时间的变化曲线,从而分析出网民的情感趋势和舆情走向,有利于政府相关部门做出舆情判断与干预。