2019年12月新冠肺炎疫情（COVID-19）的爆发引起了全世界的广泛关注,关于COVID-19的信息在各大社交媒体平台蜂拥而出,从这些信息中挖掘人们普遍关注的主题,分析公众的情感态度变化,正确引导网络舆情走向,已经成为亟需解决的问题。本文依托Kaggle网站上整理的2020年3月2日至4月14日间国外居民发表在Twitter上有关COVID-19的推文数据。首先,利用统计分析软件对原始数据中的特征变量进行描述性统计分析,将公众的情感态度变化分为三个阶段:潜伏期、爆发期和广泛期,每个阶段居民对疫情的关注程度不同。接着,利用textblob对原始推文数据进行情感极性分值计算和情感分类,将推文分成积极、消极、中立三个类别。然后,分别使用8种机器学习模型和4种深度学习模型对预处理后的推文数据进行训练并对各模型的分类性能进行比较,发现Transformer模型的性能最好,准确率为0.9402,且模型损失最低（0.1501）。接着,自主创建适合该数据集的停用词表,利用LDA主题分析模型和自然语言处理相关技术对COVID-19推文进行主题挖掘和舆情分析,发现疫情期间公众关注的主题一共有三个,分别是生活影响、疫情防控和传播途径,积极情感类别的人主要关注疫情的防控措施,消极情感类别的人主要关注生活影响,中立情感类别的人主要关注病毒的传播途径。此外,分别从空间和时间两个纬度分析了不同国家居民情感态度的变化趋势,结果表明,不同国家居民对疫情的情感态度均呈现出积极大于消极,中立最少的态势,而且人们的情绪波动随着时间的变化逐渐趋于稳定,但是不同国家居民情感极性达到峰值的时间略有差异。本文的研究不仅为相关机构进行舆情分析提供了新的方向,还可以帮助政府把握公众情感,及时对网络舆情进行回应,为制定抗击疫情的政策提供建议和参考,这对于维护社会的稳定与和谐,巩固政府的执政基础有着十分重要的意义。