随着计算机以及信息技术革命的推进,全球互联网用户在电商以及社交新闻平台频繁的活动产出了海量的不平衡文本数据,人们迫切希望从这些文本数据中来取得有用的信息并进行应用,文本情感分析方法就是其中的一个解决方法。文本情感分析方法目前比较成熟且应用于多个领域,如电商评论分类,新闻分类以及舆情控制等,但仍有以下挑战需要解决:第一,针对文档级别数据的特点,需要考虑其组成性语义特点,且句子之间的语义以及句子表征之间的依赖对文本分类是很重要的;第二,针对文本数据集的特点,应该考虑数据样本类别分布不平衡的情况。针对以上问题,本文研究基于组合深度神经网络的文本情感分析方法,本文的主要创新工作如下:(1)本文针对文档级别的文本数据的结构特性,提出了基于注意力组成神经网络的文档级别的情感分类(Att DR-2DCNN)方法,该方法首先构建了具有组成语义关系的文档矩阵表征,并在此步骤使用注意力机制来区分不同句子与单词之间的重要性;接着在文档表征上使用二维卷积神经网络来捕获句子维度上以及特征维度上的重要依赖关系,并在该步骤使用卷积注意力模块来改善卷积生成的卷积特征表达。实验结果证明了Att DR-2DCNN在文档数据集上的有效性。(2)针对现实生产环境下文本数据类别分布不平衡的特点,提出基于记忆模块的自适应不平衡文本情感分类学习方法(AILM),该方法在不需要人工数据重采样以及敏感函数设计的情况下,使用记忆模块来记住困难样本并在后期训练中提高困难样本出现的频率来自适应调整少数文本样本的分布,从而提高分类的准确率。(3)在上述研究基础上,使用中文文本数据集对基于记忆模块的自适应平衡文本分类学习方法的通用性进行实践,并通过微调参数来构建一个最优的中文新闻分类模型。