随着社交媒体的快速发展,数以亿计的人在网络上分享自己的观点,因此网络平台上产生了大量具有主观情感的数据。通过对这些文本数据进行情感分析,无论是对于国家或者社会都有着重要的意义。目前深度学习方法在微博情感分析任务上取得了很好的成绩,但大多数对于情感分析的研究仍然是基于文本的,忽略了如表情、图片这样的特征。其次,目前的情感分析不能有效的处理序列化文本,虽然胶囊网络在小数据集上的浅层结构下具有优越的分类性能,但其不足之处在于不能单独处理序列化的文本数据。为了解决上述问题,有效提高情感分析的准确率,本文主要研究内容如下:（1）针对现有的情感分析研究未能注意到用户情感表达的差异,并且获得的单一文本词向量难以有效捕获文本和标签之间的联系,本文提出了一种基于BERT-AttBiGRU模型的多特征微博情感分析。实验选取包含大量emoji表情的微博评论数据集,首先利用BERT预训练模型获取包含上下文语义信息的词向量,通过双向门控循环神经网络（Bidirectional Gated Recurrent Unit Network,BiGRU）提取深层次的特征信息。然后将emoji向量与文本向量放入注意力机制对提取的特征信息进行权重分配,突出重点信息。最后利用Softmax函数进行微博情感分类。实验结果证明,emoji在文本情感分类中的作用至关重要,融合emoji表情的多特征情感分析模型能有效提高微博情感分类的精度。（2）针对目前的文本情感分析方法不能有效处理序列化的文本,以及传统卷积神经网络随着卷积次数的增加会导致空间信息缺失的问题。本文提出了一种基于BL-Caps模型的文本情感分析方法,利用胶囊网络（Capsule Neural Network,CapsNet）可以解决空间信息的丢失和双向长短时记忆网络（BiLSTM）能够很好的解决跨时间记忆及梯度消失的问题。实验首先采用BERT对数据集进行预处理得到序列化文本,针对原有胶囊层的结构特点,在胶囊网络中加入自注意力机制。然后结合双向长短时记忆网络和改进的胶囊网络来提取文本特征。最后在三个英文标准数据集上进行了对比实验,实验证明本文提出的模型具有较好的情感分类性能。