随着社交媒体网站的发展,微博成了用户自由表达观点和情感的聚集地。如何从海量微博中分析用户情感成为一项十分有意义的研究工作。在微博情感分析中,微博情感分类和微博新词发现是两个典型且重要的研究方向。新浪微博属于短文本,传统基于情感词典的情感分类很依赖情感词典的完整性;监督/半监督学习的情感分类很大程度上依赖特征选择和组合的好坏;基于深度学习的情感分类需要结合很详细的语法和句法信息,且训练耗时、缺乏可解释性。此外,传统规则与统计相融合的新词发现方法需要很准确的语言学资源来获取候选词,需要很精细的语言学组合规则过滤无用词,规则复杂且精度不高。本文针对以上问题分别对微博情感分类和微博新词发现提出了改进方法,本文主要研究内容如下:首先,本文提出了一种新颖的基于混合语言模型的新浪微博情感分类方法。该方法从语言模型的角度出发,通过训练正/负向混合语言模型来构造二分类器,通过比较同条测试微博在正/负向混合语言模型下的出现概率进行分类。该方法仅采用unigram特征且语言模型训练快速。实验结果表明,本文所提出的情感分类方法相对于传统监督学习方法和深度学习联合传统监督学习方法的分类效果更好且更稳定。其次,本文提出了一种基于似然比检验的新浪微博新词发现方法。该方法利用网络情感新词的语言学特征,结合似然比检验和字符串成词统计量挖掘网络情感新词。该方法不需要精细化语言学规则(仅仅只用了词性标注)且无监督。实验结果表明,该方法不仅可以发现更多的网络情感新词,而且新词的排序位置也更靠前。所提取的网络情感新词对情感分类性能有一定提升。