因为传统机器学习的文本分类算法大多依赖于文本库,所以在依附性和扩展性上有一定的缺陷,并且算法的性能上相较于深度学习算法相对较低。由于以上传统机器学习算法的问题,现在的基于情感的文本分类方法大量的融入了深度学习,例如循环神经网络算法等。但单一的神经网络算法所提取的文本特征相对少,性能较低,而不同的网络结构使用不同的融合方法的时候其性能差异较为明显,如果使用不当会出现负增长。基于这一事实,文本提出基于多神经网络融合的相关文本分类算法。第一个为基于改进BiLSTM-CNN的文本情感分类算法,其目的是对原有的BiLSTMCNN通过多神经网络融合的方式进行结构优化从而提升网络的总体性能。首先对用户的文本数据做预处理和特征表示使其转化为向量。选用Word Embedding模型做文本特征表示,从而弥补了使用文本情感数据库的局限性。然后通过双向长短时记忆网络对用户的词语进行序列化特征提取从而提取用户文本中的特征信息。然后通过卷积神经网络对提取过序列化数据的文本进一步做特征提取,从而更多维度的信息可以被用来做分类,最后通过全连接层对输出进行梳理。并且根据长文本的特性提出了基于多神经网络特征融合的文本情感分类,其思想在于使用多神经网络模型增加对文本中的特征提取。因为数据特征的增加,基于该方法所设计出的神经网络模型可以较好的拟合数据,而在原有的基础上加入了注意力机制从而更好的处理该类问题。通过实验的结果发现,根据该方法所构造出来的模型较为有效的提取了用户文本上的多维特征,相对于其他对比模型其性能在F1,准确率等指标上面都有体现,并且有效的对传统算法进行了优化,对比传统卷积神经网络模型在精确率上有明显的提高,而在F1等指标上有少量的提高。