随着时代的不断发展和社会生产力的提高,网络进入到家家户户,在人们生活中的比重越来越大,各种网络平台已经成为获取和传播信息的重要媒介,与此同时,微博凭借其社交性、易用性、灵活性等突出优势,逐渐成为目前中国最受欢迎的网络社交平台。2020年初,新冠肺炎疫情的爆发极大影响了全球大部分地区民众的生活状态,此次公共卫生事件成为全社会关注的重点,国民线下沟通交流更加困难,更依赖互联网平台发表评论以表达自己的态度和情绪。从朋友圈、微博等公共网络平台传递出的信息中我们能发现民众对此次新冠疫情蔓延的担忧和对防疫工作的信心兼而有之的状态。近十几年来,情感分析任务是国内外研究人员关注的重点,同时也是一个挑战。在新冠疫情这一特殊时期,相关的文本数据不断增长,本论文的研究希望对疫情期间的微博文本数据进行情感分析工作,以了解人们的情感状态和需求。本文将词嵌入、卷积神经网络CNN、长短期记忆网络LSTM等深度学习技术同时加入框架,提出了情感分析模型CNN-LSTM-Enhanced,在两个数据集上经过多个对比实验证明了CNN-LSTM-Enhanced模型的有效性。实验首先利用开源的预训练Word2vec词向量文件构建了静态嵌入层,并使用随机初始化且随着训练过程动态调整参数的方式建立了非静态嵌入层,然后在两个嵌入层后面分别接卷积神经网络和长短期记忆网络,最后将得到的特征向量融合后通过全连接层及输出层获得情感分类结果。CNN-LSTM-Enhanced模型在数据集1上准确率和加权平均1分数数值分别达到73.64%和73.13%,在数据集2上准确率和加权平均1分数数值分别达到75.09%和73.70%,优于其它几个对比模型。另外,在CNN-LSTM-Enhanced模型的基础上,结合自注意力（Self-Attention）机制,提出了CNN-LSTM-SA-Enhanced模型,并在两个数据集上进行实验,CNN-LSTM-SA-Enhanced模型在数据集1上准确率和加权平均1分数数值分别达到73.78%和73.30%,在数据集2上准确率和加权平均1分数数值分别达到75.76%和74.34%,实验结果表明,融入自注意力机制的CNN-LSTM-SA-Enhanced模型比CNN-LSTM-Enhanced模型的预测效果有了更进一步的提升。