在互联网技术和移动应用飞速发展的环境下,网络文本的信息量正与日俱增。微博作为一种开放式的互联网社交平台,由于其使用便捷、用户匿名且信息公开的特点,吸引了庞大数量的网络用户,同时发挥了强大的舆情表达和传递作用。当下微博成为人们分享新鲜资讯、传播个人情感的重要渠道。每天都有海量的短文本消息在微博平台中共享,并且任何用户发表的微博消息都有可能在全网得到迅速传播。微博上的大量主观文本数据呈指数级增长,为了准确挖掘民众真实的情感偏好,微博短文本的情感倾向性分析研究受到越来越多学者的关注。与此同时,各种网络流行词汇也频繁出现,如何从海量短文本中准确挖掘微博舆情参与者的真实情感具有重要的研究价值:一方面可以帮助企业挖掘某产品的真实口碑以做出产品改进,另一方面也可以帮助政府或有关部门根据民众对某热门事件的真实态度做出相关举措。目前,在自然语言处理领域中,汉语的情感分类任务发展时间较短,许多学者致力于对模型和算法做出改进以提高情感倾向性分类的准确性。本文在已有研究基础上,提出一种基于统计的新词发现方法,并构建了基于规则集的短文本情感分类模型,以适应微博短文本的情感倾向性分类任务。并通过实验结果验证了基于新词发现方法和该模型的规则集能有效提高分类器性能。首先,本研究相关领域的大量文献进行梳理和总结,对文本情感识别和分类的方法进行了分析,对比了已有研究中基于规则集和机器学习算法的情感分类方法,并总结了当前网络环境中微博文本的特点。其次,结合中文微博的特征,本文以基于统计的新词发现方法和基于规则集的情感分类模型展开研究。一是构建出适应于微博文本的情感词典资源,发挥网络新词在情感分类中的重要作用;二是在词语级和句子级粒度上设计文本情感计算规则,以提高综合情感权值计算的准确性。最后,本文利用在新浪微博平台上爬取的大规模微博语料数据进行新词发现实验和情感分类实验,并选择实验指标对比本研究提出的方法和传统方法在情感倾向性分类任务上的表现。验证了本文提出的方法能够有效提高中文微博情感分类的准确性。