随着互联网的发展和普及,越来越多的人们开始在诸如微博,论坛,社交网站,影视网站,购物网站等平台发表各种言论,以此来分享自己的心情,观点和意见。并且发表的这些内容可能包含着不同的感情色彩,有积极的或是消极的,支持的亦或是反对的。分析这些文本信息的情感倾向,对个人,商家,政府等都有着重要的意义。另外,随着人工智能的再度崛起,机器学习和深度学习的方法已经得到了广泛的关注,越来越多的研究人员已经提出了许多种实用并且有效的文本情感分类模型,基于深度学习的模型具有强大的特征学习能力,逐渐成为了解决情感分类问题的重要方法,但是现有的深度学习模型除了忽略了一些情感资源和有用的特征之外,也在一定程度上忽视了网络优化上问题。因此,深度学习的情感分类方法仍然存在一定的提升空间,本文基于此主要开展了两个方面的工作:(1)本文针对评论短文本的稀疏性以及深度学习网络对特征利用不充分的问题,提出了一种基于全连接网络的特征融合模型。首先,本文采用基于词典的方法提取了评论文本的句法特征,主要包括基本特征和情感短语极性特征,基本特征即正负面情感词个数,程度副词,否定词,转折词个数等;其次,采用基于情感词典和TF_IDF(Term Frequency–Inverse Document Frequency)的方法提取融合情感词权重的词汇特征,根据情感词的位置制定相应的规则,对情感词扩大权重,得到最终的TF_IDF值,以此作为评论文本的词汇特征;然后,使用word2vec训练文本的词向量模型,提取评论文本的词向量特征;最后,将以上三种特征归一化,并且通过全连接神经网络的方法进行连接,以便于三种特征在反向传播的时候得到充分的学习。(2)针对深度学习中随机设置网络权值和隐单元阈值而导致的收敛速度慢、鲁棒性不强等问题,提出了一种改进的量子粒子群算法来优化双向门控循环单元学习方法。该方法在运用量子粒子群对网络的输入层网络权值和隐单元阈值进行优化的同时,对量子粒子群算法进行优化和改进。首先,针对量子粒子群虽然全局寻优能力较强,但是其效率较低的问题,本文提出了一种自适应的量子粒子群算法。其次,为了提高模型的鲁棒性和网络的泛化能力,本文在网络的训练过程中考虑了输入输出灵敏度信息。最终在影评情感分类问题上的实验结果验证了所提出方法的有效性。