近年来,随着国内的互联网行业的飞速发展,各种电商平台,社交平台的出现,网络用户也日益增多。互联网给人们的生活带来了很大的便利,人们可以通过电商平台选购商品,并对购买的商品作出评价。这些评价内容,蕴藏着消费者对商品的看法和态度,这些信息对商家制定营销策略和用户作出购买决策有重要的参考价值。庞大的网络用户群体,产生了海量的评论数据,如何从这些评论型文本数据中挖掘出其中蕴含的情感倾向,是近年来研究的热点之一。本文针对中文情感分类研究,利用集成学习的方法,以提高分类准确率为目的,提出两种中文情感分类模型:(1)提出一种基于差分进化优化个体分类器权重的集成分类算法,在三个领域的语料集上进行中文情感分类实验。通过研究在情感分类任务上常用的分类方法,选择表现较好的五种分类模型,以分类准确率为适应度值,使用差分进化算法优化五种个体分类器的权重组合,寻找五种分类器在情感分类任务上的最优权重组合,通过加权投票的结合策略,得到集成模型。实验结果表明,经过优化权重后的集成模型在中文情感分类任务上有更高的准确率。(2)提出一种基于Bi-LSTM的集成分类模型,用于中文情感分类任务。首先用word2vec在语料集上训练语言模型,得到所有词汇的词向量表示,用词向量表示文本;然后利用Bi-LSTM网络学习文本特征更充分的优势,构建多个BiLSTM模型,在构建单个模型时,引入Dropout机制,对每个Bi-LSTM模型随机生成不同的Dropout保留概率,分别训练多个网络结构不同的Bi-LSTM模型,通过这种参数扰动的方法增强集成模型中个体网络的多样性;最后,通过简单平均的结合策略将所有模型结合起来,得到最终的集成模型。在三个领域的中文评论语料上进行了中文情感分类实验,验证了提出模型的有效性。