随着互联网的普及,网民数量不断增加,形成较为复杂的网络舆情生态环境。而突发公共卫生事件相比一般性事件,与人们的生命健康安全息息相关,其所呈现出的前兆性缺失、全民性参与、持续性诱发、不确定性、快速扩散等特点,造成了公众恐慌和焦虑。当其作为社会热点出现时,会迅速占领网络热搜,所产生的影响不仅仅局限于个别群体或单独某个区域,而会在短时间内引起大规模讨论,且话题中一旦裹挟虚假信息,引发的网络舆情难以预测,且易在社会层面引发负面情绪,从而引起舆情危机。目前针对舆情信息处理方法主要利用深度学习模型从海量文本信息中挖掘情感信息,且多数研究主要从技术角度出发,试图建立适用于多类型事件的一种通用标准化模型,以归纳舆情事件的演化规律,而缺乏在技术加持实现网络舆情情感倾向性预测的情况下对情感的生成和表达作出深度解读。因此,掌握突发公共卫生事件网络舆情的特征,有助于更准确的认识突发公共卫生事件网络舆情的全貌,对于政府有针对性地进行网络舆情治理具有重要意义与参考价值。因此本研究将解决以下几个问题:（1）突发公共卫生事件网络舆情的数字特征分析。首先在对68起事件样本的类别进行编码的基础上,利用SPSS统计软件实现描述性统计,包括频数统计与交叉列联表分析,以归纳突发公共卫生事件网络舆情在频率维度上的差异性特征;结合多个案例分析突发公共卫生事件网络舆情在时间维度上的周期性特征;基于运用的案例与对应的真实数据分析突发公共卫生事件网络舆情在主体维度与传播渠道上的多元化特征,进而归纳出网络舆情愈发复杂、亟需引导的现状。（2）设计了两种基于深度学习的情感倾向性分析模型,在训练数据集与模型参数设置相同的情况下,通过设计对比实验进行性能验证。在训练数据集相同的情况下,BERT-Bi GRU模型相较于Word2Vec-Bi LSTM基线模型在深度语义发现与情感分类任务上有较好的表现,其最终的分类效果提高了3.3%。（3）基于BERT-Bi GRU情感倾向性分析模型,爬取微博上“吉林新冠肺炎疫情”事件的用户发文内容作为实证对象,以从用户发表的主观文本中预测获得的情感值作为网络舆情预测的对象,从微观角度展开网络舆情的分析。在实现情感预测结果基础上,统计不同阶段网民情感的变化,深度解读情感的生成与表达;重点关注并筛选舆情发展各阶段用户负面情感,借助LDA主题模型挖掘负面情感话题所折射出的公众真实的诉求,并针对实证结果为相关部门相应的建议与对策。