跨领域文本情感分类旨在利用迁移学习算法实现领域间的知识迁移以解决目标领域标注样本匮乏的问题,是自然语言处理领域中重要研究分支之一。目前研究者们提出了一系列基于深度学习的方法来学习领域间的共性特征并取得了一定的成果。尽管如此,仍然存在以下挑战:现有方法捕捉句子中局部关系的能力不足,导致情感分类存在偏差;以往方法在提取文本特征时难以有效利用文本的上下文依赖关系与整体信息;现有模型存在分类特征空间受限的问题,难以适应于跨领域文本的情感倾向预测,本文针对上述问题展开以下三个方面的研究:第一,针对现有跨领域文本情感分类方法难以准确刻画文本局部语义关系的问题,提出了一种基于多窗口卷积神经网络的跨领域文本情感分类方法。该方法构造三个卷积核大小不同的卷积层,提取不同特征空间上的语义信息;接着使用最大池化操作和拼接得到融合后的全局特征表示;最后通过分类器进行情感类别对抗学习,学习领域适应的文本特征表示用于跨领域情感倾向性分析。实验结果表明,该方法相较于基准模型在Amazon数据集上的平均准确率提升了1.0%。第二,针对现有跨领域文本情感分析方法难以捕获全局信息且忽视了长文本上下文依赖信息的问题,提出了一种基于双向循环神经网络的跨领域文本情感分类方法。该方法首先采用双向长短期记忆循环神经网络（Bi LSTM）提取包含整体信息的特征向量;其次通过残差连接的方式将整体信息与局部信息融合;最后优化文本特征表示以减少源领域与目标领域之间的差异,并进行文本情感分类。实验结果表明,与基准方法相比,该方法在Amazon数据集的四个领域平均准确率上进一步提高了1.1%。第三,针对现有方法在分类网络的设计上未充分考虑不同判别特征的差异,导致情感极性推断信息不足的问题,提出了一种基于集成学习的跨领域文本情感分类方法。该方法在基于Bi LSTM的工作上,引入双层堆叠情感分类模型。首先文本经过特征提取网络生成文本特征表示;接着输入到第一层分类模型训练得到新的训练和测试样本;再输入到第二层分类模型进行训练,得到最终情感极性标签。实验结果表明,相较于基准模型,该方法在Amazon数据集上的平均准确率提高了0.8%。