情感分类是自然语言处理领域的重要研究方向。早期的研究集中在词典和传统机器学习方法,这两种方法的性能分别受限于词典和特征工程的设计困难。因此,当前多数研究采用深度学习方法。然而,此类方法的准确度依赖于大量高质量的人工标注数据,数据标注工程代价昂贵。随着互联网的快速发展,网络用户产生了大量带标注的文本,这些易于获取的资源可以充当弱标注数据训练情感分类器。然而,弱标注数据中含有用户标注与文本真实情感倾向不一致的噪声数据,它们会对模型训练造成极大的危害。因此,无法直接在弱标注数据上对深度模型进行训练。尽管用户标注文本能够为深度学习提供新的数据来源,但大量优质标注数据的难以获取仍是限制模型性能的重要因素之一。因此,小样本学习方法变得尤为重要。当前多数研究旨在从原始文本中捕获更多的特征信息以实现模型在小样本场景下的性能提升,然而此类方法忽略了情感标签中隐含的指导信息。为了解决上述问题,本文首先提出了基于对比学习的弱监督抗噪声（Weakly supervised Anti-noise based on Contrastive Learning,WACL）情感分类框架WACL,旨在通过设计抗噪声策略来缓解噪声数据的负面影响,从而能够充分地利用海量用户标注数据,提升模型的情感分类性能。其次,本文提出了融入标签特征（Fusing Label Feature,FLF）的小样本情感分类框架FLF,该框架旨在通过设计标签特征学习方法来捕获情感标签中蕴含的特征信息,同时在小样本训练阶段将标签特征融入到模型的训练过程中,进一步提升模型在小样本情感分类场景下的性能。综上所述,本文的创新点如下:针对噪声数据会对模型训练造成危害的问题,本文提出了基于对比学习的弱监督抗噪声情感分类框架WACL。该框架具有三阶段:首先,在海量弱标注数据上采用对比学习策略进行预训练,该策略能指导模型学习情感类别间清晰的分布模式,并能极大地缓解噪声数据的负面影响。其次,设计了一种简单但有效的抗噪声策略Dropping-layer来移除模型受噪声数据影响较大的部分。最后,在剩余模型的顶层添加分类层,并使用人工标注数据对模型参数进行微调。本文在三个数据集上论证了WACL的有效性,大量实验结果表明WACL即使在噪声比例较大的场景下也能显著提升深度模型的性能。针对小样本场景下多数深度学习方法忽略了标签特征的问题,本文提出了一种融入标签特征的小样本情感分类框架FLF。该框架具有两个步骤:首先,在弱标注数据上基于提示学习和对比学习设计了一种多任务标签特征学习方案来训练标签特征生成器,该方案能够在抵抗噪声数据的同时显式地学习标签所蕴含的指导信息。最后,在训练情感分类器时,利用标签特征生成器将小规模训练样本的标签特征向量融入到训练过程中,进一步提升模型的小样本分类性能。本文在四个数据集上进行了多组实验,结果表明FLF在极小样本场景下的分类性能大幅超越其它同类方法,具备显著的优越性。