随着互联网的快速发展,社交网络已经成为人们表达观点的重要平台。针对社交网络数据的文本情感分析已成为信息处理领域的研究热点,通过对文本进行情感分析,可以及时地捕获到用户的情感倾向,了解到用户的需求。传统的基于机器学习和情感词典相结合的情感分析方法需要对特征进行选择,而情感特征的选择往往较为主观,会导致分类模型易过拟合,泛化能力不足。深度学习通过有效地提取文本的情感特征,构建深度情感模型,使得基于正负面的文本情感分析准确率大幅度提升,但由于多类别情感语料的不足,使其不能准确地表达文本所蕴含的情感色彩。因此本研究以深度学习技术为基础,研究微博类短文本的多情感分类问题。论文主要工作包括:在多类别的情感语料获取方面,提出了一种基于情感种子词的语料迭代获取方法。该方法首先提取现有语料中的情感词集合,利用同义词词林对情感词集合进行扩充,然后计算各情感词的TF-IDF权值,选取权值较高的情感词构建情感种子词集合,最后采用多种子词搜索策略采集微博情感文本,并将其自动标记扩充到对应类别的微博语料中,通过多次迭代完成语料获取。实验发现,该方法可有效解决情感语料的样本不足和不平衡问题。在基于深度学习的情感分类模型构建方面,分析了现有CNN网络和LSTM网络在文本情感分析方面的弱点,提出了一种基于Attention机制的多分类情感分析模型。该模型运用Attention机制将CNN网络提取的局部特征和LSTM模型提取的语序特征相融合,并在分类层采用集成模型的思想,分别将CNN网络和LSTM网络提取的情感特征拼接,作为模型最终提取的情感特征。通过对比实验,发现该模型的准确率有了显著的提高。