随着互联网技术与高速移动网络的飞速发展,产生了海量的各类网络数据。其中人们最常涉及、使用的就是互联网络中的大量短文本数据。这类数据通常包含了人们的对待事物、商品以及各种事件的情感喜好和主观意见。无论是个人、企业、机构或者政府部门,都逐渐开始利用这一类短文本数据来辅助各种决策的制定。所以,对于网络短文本的情感分析有巨大的学术意义和应用价值。本文围绕短文本情感分类问题开展了一系列研究。主要工作及贡献如下:(1)针对短文本中关键情感特征提取困难的问题,提出了一种基于Word2vec结合PCA(Principal Components Analysis)的文本特征提取方法。首先利用Word2vec词嵌入工具在大型通用语料中训练得到文本的通用词向量。进一步得到文本的词向量矩阵,再对文本词向量矩阵中的每一列求和再平均得到文本的特征向量。然后对得到的文本特征向量进行PCA降维,并将降维后的文本特征作为文本的最终特征。最后将该特征作为SVM(Support Vector Machine)分类器的输入,进行文本情感倾向性分析。实验验证了该方法的有效性。(2)针对深度学习中文本表示通常只包含词的通用特征,而不包含词的领域相关特征的问题,提出了一种基于双向长短时神经网络(Bidirectional Long-Short Term Memory,BiLSTM)的特征扩展与集成文本情感分类方法。该方法首先通过在训练语料的基础上加入一定大小的外部领域相关语料得到文本的领域相关语料,再通过Word2vec工具获取文本的领域相关词向量以及领域相关文本特征。然后将文本的通用特征与领域相关特征结合得到文本的集成特征。最后,通过双层BiLSTM网络学习捕获文本集成特征的深层语义并判断文本的情感倾向。实验结果表明:基于特征扩展与集成的方法能进一步提高分类器的分类效果。(3)卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(Recurrent Neural Network,RNN)的优缺点,提出了一种基于CNN-RNN的混合网络文本情感分类方法。该方法分别通过CNN和BiLSTM获取文本的局部特征和上下文特征,再将两个特征融合成为文本的最终特征。并在此基础上,利用LSTM(Long-Short Term Memory)神经网络捕捉文本特征所表示的深层次的文本情感语义,最终判断出文本的情感倾向性。实验表明:通过建立混合神经网络模型,融合两种网络模型的文本特征,能有效的提升文本情感分类的效果。