随着Web2.0技术的发展以及Facebook、Twitter、新浪微博等基于用户生成内容的社交网络应用的迅速普及,越来越多的人愿意在网络分享自己的心情与观点。如何对这些用户生成内容进行情感分析,是一个值得研究的问题。用户生成内容形式以文本、图像为主,但是目前针对图像内容的情感分析方法相比文字内容的分析方法较为落后。这是由图像情感分析问题本身的难度与比较强的主观性共同造成的。相比于较为成熟的文本情感分类算法,本课题对情感分类算法的研究主要着力于,改进图像情感分类算法与图像文本联合情感分类算法的效果。图像情感分类问题目前面临两个问题。第一,目前提出的图像情感分类算法来源于图像分类问题,没有针对情感分类任务自身的特点进行改进,算法效果并不理想。第二,图像情感分类问题公开数据集的数据规模是制约算法效果的瓶颈之一,这是由于图像情感分类任务较强的主观性造成的,它会给数据标注人员的筛选以及标注过程带来难度。图像文本联合情感分类问题中,分开提取图像特征向量与文本特征向量,将二者结合作为输入特征送入分类器是目前最常见的方法。目前的问题是,如何在模型学习的过程中更好地引入这两种内容的相关性。基于以上的内容,本课题的主要工作如下:1)提出了一种图像情感分类算法。该算法对卷积神经网络部分增加了对多级图像情感特征的提取能力,并在分类器部分显式地引入多级图像情感特征的交叉组合特征,通过在公开数据集上的实验,验证了该分类算法的有效性。2)提出了一种图像情感分类模型训练方法。本课题设计并实现了一种针对互联网图片的情感类别自动标注方法,在模型训练的过程中结合利用自动标注数据与人工标注数据。本课题通过在公开数据集上的实验,验证了该方法的有效性。3)社交网络推文情感分类原型系统的设计与实现。本课题设计了一个社交网络推文情感分类系统,使用该系统可以方便地得到社交网络的推文的情感信息,并且可以收集用户反馈数据用于模型训练。本课题对该系统进行了需求分析。针对系统需求,本课题进行了系统整体方案设计,并对各个功能模块进行了详细设计,按照详细设计完成了对系统功能模块的实现与测试。