近几年来随着深度学习和大数据技术在图像、语音、生物信息等诸多领域取得的重大突破,学者们正逐步开始将深度神经网络技术应用至自然语言处理领域。与此同时,鉴于国内快速增长的中小企业数量,国内智能客服市场也呈现出势不可挡的发展态势,且逐渐渗透到各行各业为广大企业和消费者带来便利。但目前大部分企业仍以人工客服为主从海量客户中筛选出意向用户,因而在面对与日俱增的用户量级及客服聊天记录时,这无疑极大的增加了企业运营成本,如何更好的发挥智能客服的市场价值成为智能客服企业当下最为关心的重要课题。通过对智能客服的用户聊天数据进行情感分析,可以清晰的把握每位用户对公司所推广产品的喜好程度,从而有助于针对性提升企业的营销转化率,充分发挥智能客服的市场价值;但同时目前主流的情感分类技术,难以在分类准确率及效率上达到相对可取的平衡。基于上述分析,本文研究和设计了基于doc2vec和深度神经网络(多层感知机)的智能客服情感分析系统,用户通过本系统可以与智能客服在线聊天并以相对较低的训练成本得出具有较高准确率的情感倾向。本文在基于doc2vec文本向量模型、word2vec词向量模型的基础上,改进和优化了一种更适合情感分类的文本特征提取方法。主要包括由word2vec模型生成情感词典,基于情感词典基础之上生成新特征,由doc2vec模型生成初步特征,最后采用本文提出的归一化算法组合新特征和初步特征以生成文本最终的特征。此外,为了可以在更准确地判别智能客服文本情感分类的同时,提高效率,降低训练成本,本文提出了选择通过融合算法对深度神经网络增加卷积层进行优化的方法对客服文本进行情感分类。基于此,本文研究和设计了智能客服情感分析系统,并运用模块化思想设计了系统的整体架构及对应模块功能,在此基础之上搭建测试环境以便对系统进行功能性测试及模拟智能客服情感分析场景,以评估本文系统的分类效果和性能,最后使用大量实际业务数据对系统进行测试均取得了不错的分类效果。通过实验采集的数据测试对比表明:经本文改进和优化后的文本特征提取方法,在一定程度上降低了原模型训练的时间及空间成本,并提升了系统最终的情感分类效果;经本文改进和优化后的深度神经网络模型,与传统的机器学习(支持向量机、逻辑斯蒂回归)和通过同样算法优化后的长短期记忆神经网络模型的方法相比,此方法具有更高的准确率和效率,特别是和传统机器学习方法相比,此方法优势突出;与经过同样算法优化后的长短期记忆神经网络的方法相比,训练成本也大幅降低。