文本情感分类是自然语言处理领域中的一个重要问题。理解文本的语义,对文本进行分类,其核心问题是提取文本的特征。现有模型大多通过叠加CNN、LSTM或GRU网络来解决这一问题。但LSTM和GRU网络是单向时序模型,仍然偏向保存文本后端特征而遗忘文本前端特征。双向LSTM或双向GRU网络虽然能保存文本的前端和后端特征,但模型复杂参数量巨大,由于数据集相对有限,如果利用双向LSTM或双向GRU网络容易导致特征冗余和过拟合。上述模型对不同尺度的特征都无法有效提取。针对以上问题,提出融合多尺度特征提取的文本情感分类模型,提升文本情感分类的性能。本文工作主要包括以下两个方面:（1）针对无法提取多尺度特征问题,考虑多尺度n元特征,提出一种简单有效的融合多尺度特征提取的正交独立GRU（Multi-Scale Orthogonal In Depend Ent GRU,MODE-GRU）网络模型。将GRU模型的隐藏状态拆成多个小隐藏状态,并正交约束其对应的递归矩阵,定义多个不同大小的滑动窗口,将滑动窗口得到的不同文本片段分别叠加输入到模型,再将多个小GRU模型的输出结果拼接和soft池化。并使用改进的Focal损失函数加快收敛速度。（2）针对单向时序模型偏向保存文本后端特征而遗忘文本前端特征问题,提出双向MODE-GRU模型（Multi-Scale Orthogonal In Depend Ent Bidirectional GRU,MODE-Bi-GRU）。将双向GRU模型的隐藏状态拆成多个小隐藏状态,并正交约束其对应的递归矩阵,分别按照文本的正向和反向两个角度定义多个不同大小的滑动窗口,将滑动窗口得到的不同文本片段分别叠加输入到模型,再将多个小双向GRU模型的输出结果拼接和soft池化。并使用改进的Focal损失函数加快收敛速度。在四个基准数据集SST2、SST5、TREC和MR上测试了本文所提出算法的性能,并与现有的基线模型进行对比实验,实验结果表明:提出的MODE-Bi-GRU模型较CNN-LSTM、Bi-LSTM模型分类效果更好,在SST2、SST5、TREC和MR数据集上的准确率都有所提升。融合多尺度特征提取的文本情感分类模型能够获取文本不同尺度特征,提高分类任务准确率。该论文有图17幅,表6个,参考文献68篇。