随着互联网和智能终端的爆发式发展,巨大的社交网络群体和组织产生了海量网络信息,如何在非结构化的网络信息中捕捉分析民众的情感走向和发展,是一项重要的研究课题。中文文本数据相对于英文文本数据来说具有不同的表达形式,存在语法特殊性、语义多元、隐寓表达等诸多特点,除此之外当前大部分的中文文本情感分类方法属于比较浅层的学习方法,分类结果的准确性依赖于人工抽取的样本特征,且文本表达能力有限,随着数据量的增大和表达方式的增多,难以获得比较高的中文文本情感分类准确率。因此,结合中文文本特点进一步提高中文文本情感分类的准确率和性能是情感分类领域需要急切研究和解决的问题。本文结合中文文本的特点,在现有算法基础上加以改进与融合,展开对中文文本情感分类算法的研究,主要研究内容如下:对于中文长文本的情感分类模型,针对在传统深度学习模型中只使用词向量作为文本特征进行文本情感分类的缺陷性和局限性,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和双向门限循环单元(Bidirectional Gate Recurrent Unit,BGRU)主题融合的情感分类模型,该模型将使用topic2vec向量化技术得到的在同一向量空间的主题向量和词向量作为情感分类模型的输入,最后经过实验对比分析,验证模型的有效性;对于中文短文本的情感分类算法,针对在传统情感分类算法中词向量信息不足的问题,使用P_BTM模型得到的主题信息对词向量信息进行扩展,以获得更多的中文短文本特征,其中P_BTM模型是基于词对主题模型(Biterm Topic Model,BTM)改进,中文短文本的词向量通过改进的特征频率和倒排文档频率(Term Frequency-Inverse Document Frequency,TF-IDF)算法得到,最后经过实验对比分析,验证算法的有效性。