卷积神经网络已被广泛应用于自然语言处理领域。句子情感分类是自然语言处理领域中最常见的任务之一。国内外学者在句子情感分类任务中,利用深度学习神经网络进行了大量的实验,证明其能够更有效地获取文本数据中的上下文信息。目前,应用于处理句子情感分类任务的神经网络模型通常包括卷积神经网络、递归神经网络和循环神经网络。随着深度学习的发展,神经网络与注意力结合的架构方式为句子情感分类任务的发展带来了重大的突破,预测准确率大幅提升。常用的神经网络都具有各自的优势,比如卷积神经网络具有很好的并行性,能够使运算速率达到很高的水平,而递归神经网络尤其是长短期记忆网络是在提取长距离单词之间的依赖关系时达到很好的效果。但这些神经网络仍都存在问题:（1）递归神经网络受其递归性的限制计算效率不能达到较好的水平;（2）卷积神经网络受其卷积核大小的限制很难捕获长距离句子单词间的依赖关系。因此,能否有一种网络结构可以将网络模型的优势有效地结合在一起,达到更好的性能,是本文主要的研究目的。本文提出了一种新的句子情感分类方法,基于遗忘机制的卷积神经网络句子情感分类方法,将其命名为L-CNN。该方法结合了卷积神经网络以及长短期记忆网络的优势,弥补了两种网络存在的不足,采用加入长短期记忆网络中的遗忘门机制以及自注意力机制的卷积神经网络结构,设计基于卷积神经网络的具有局部上下文层和全局上下文层的结构,使得以卷积为基础的神经网络在捕获句子长距离依赖关系时获得更好的效果。本文在四个英文文本数据集上进行实验,分别是IMDB、SST-2、Subj、MR数据集。同时在与多种其它分类模型方法进行比较时,本文选用准确率（Acc）和F1作为评价指标,在这四个数据集上准确率分别提高了1.78%、1.02%、2.14%、2.5%。通过对实验结果的分析,本文在语义并不丰富的训练数据中表现优异,证明该句子情感分类方法可以提供更加丰富的语义信息,通过更加充分的模型训练来提高分类的准确性。在此基础上,本文也通过与传统卷积网络模型的对比,分析了不同的词向量生成方式对于模型分类效果的影响,并证明模型中局部上下文层和全局上下文层对模型的分类具有积极影响。