文本情感分类在自然语言处理研究中占有重要的地位。在工业界,产品评论的情感分类作为用户的市场反馈之一,其对于制造商和销售商都有着重大意义。相较于英文,中文的文本表述更为复杂。对此,文本主要针对中文产品评论,探究文本的情感分类方法。循环神经网络通过对文本中不同时序的信息进行提取和融合,实现对文本的语义、情感倾向等特征的解读。当出现文本时序过长时,由于信息在传递过程中的丢失问题,传统循环神经网络往往不能很好的提取整体文本信息;同时,当文本的前后情感表征出现互斥时,模型有一定几率会对整体的情感表征做出误判。针对这些问题,本文提出了在中文文本情感分类中应用双向GRU模型。实验表明,该模型通过结合门控机制和文本的双向语序处理方法,可以更加准确的获取长时序文本的情感表征。另外,本文探究了Dropout策略在中文文本情感分类中的影响;结果表明,适当的对模型进行Dropout,可以有效防止过拟合,同时提高模型在文本情感分类任务中的泛化能力。机器学习中,针对特定领域内数据集缺乏问题,人们常采用迁移学习的方法对模型进行改进。本文提出了一种基于模型的迁移学习方法,实现在中文文本情感分类任务中跨领域学习。具体来说,首先使用双向GRU模型训练其它领域数据集,并保存模型权值。然后对于特定领域的模型,导入之前的权值,并数据进行再训练,以此来更新部分模型参数,从而实现跨领域的模型迁移。分析表明,迁移学习可以有效提高同一模型在不同领域学习中的泛化性能。同时,本文验证了情感分类数据中的噪声存在,以及噪声对迁移学习的影响。