在大数据时代,人们可以通过社交媒体,表达自己对各种事件的感受、看法和观点,从而产生了大量的社交文本数据。通过分析社交文本中的情感倾向,可以直观地反映出用户的个人情感倾向和社会舆论等。使用情感分析技术挖掘出这些社交文本数据中的情感倾向,将能够给政府、企业等机构提供重要的参考信息,帮助其进行抉择。本文针对社交短文本语言表达较为简单、特征少的特点,提出了一种基于文本情感矩阵的混合胶囊网络模型,来对社交短文本进行情感分析。文本情感矩阵中每个字或者词包含了对于不同情感极性的重要程度,将其作为模型输入丰富了文本语义特征。混合胶囊网络模型则采用的是将双向门控循环网络（Bi GRU）和多尺度胶囊网络（Mul Caps Net）并行提取特征的网络结构。Bi GRU可以学习到文本的上下文信息。Mul Caps Net使用不同尺度的卷积核可以提取到不同粒度的文本特征。传统卷积神经网络（CNN）的池化操作会造成特征信息的丢失,本文引入了Mul Caps Net并将动态路由算法改进成部分可连接路由算法,不仅保留了更多的语义特征,而且避免了冗余信息对于情感分析性能的影响。在Bi GRU和多尺度卷积胶囊网络层之后加入注意力机制（Attention）,根据词语的不同贡献程度进行特征提取。最后将分别提取到的深层次特征进行融合,得出分类结果。在NLPCC2013和NLPCC2014数据集上,分别采用文本情感矩阵、BERT预训练模型、Glo Ve和Word2Vec词向量模型作为模型输入进行对比实验,实验表明,在NLPCC2013数据集上的情感分析准确率分别为94.39%、88.87%、88.65%和88.13%。在NLPCC2014数据集上的情感分析准确率分别为94.52%、88.17%、87.54%和87.26%。在文本情感矩阵的基础上,将混合胶囊网络模型在NLPCC2014和weibo＿senti＿100k数据集上进行实验,最终模型在这两个数据集上的准确率分别达到94.52%和94.28%。