目前,互联网科技在人们的生活中至关重要,网络上产生了很多表达情绪、观点的语句。这些海量的短文本信息不仅能够对个人决策提供帮助,而且对企业运营、产品优化等方面也具有很高的价值。因此,对网络短文本的情感分析成为了重要研究方向。自然语言处理技术实现了人和计算机之间的有效通信,机器学习和深度学习近几年已经在文本分析领域取得了非常好的成效,然而大多数算法在词向量的获取、语义信息的挖掘,以及模型优化等方面,还存在改进空间。本文主要对网络中的短文本评论数据集进行情感分析,对现有的机器学习和深度学习算法进行改进,主要工作内容如下:（1）针对传统分词方法过分依赖于词典和规则库的缺陷,引入CRF模型对短文本评论数据集进行中文分词。CRF分词方法不仅可以捕捉到句子情感之间的语义特征,还可以添加外部特征来丰富模型收集到的信息。实验结果表明,CRF分词方法获取的特征在逻辑回归、支持向量机和伯努利朴素贝叶斯三种机器学习算法中分类准确率远高于使用传统分词方法获取特征的情形,并且传统分词方法负面分类效果远优于正面,而CRF分词算法对正面和负面的分类结果相对均衡。特征维度为1800时,采用支持向量机和CRF分词组合构建的分类模型准确率达到了88.3%,对短文本情感分析的效果最好。（2）针对常用的Word2Vec词向量模型不能解决一词多义的问题,提出使用融合Word2Vec和BERT向量解决四类别短文本情感分析问题。与单一的Word2Vec模型和BERT模型分别获取的词向量相比,融合向量能够充分考虑语义之间的信息从而更好地提取多类别的短文本情感特征。将融合向量嵌入到GBDT机器学习算法中进行实验。实验结果表明,融合向量和GBDT算法对多类别短文本的情感分析问题更有效。（3）针对传统的深度学习算法在网络持续时间较长的情况下容易产生长期依赖的问题,提出了改进的CNN模型,即CNN-BLSTM模型。CNN-BLSTM模型既能够利用卷积神经网络提取文本的主要特征信息,又可以通过双向长短期记忆网络解决这种长依赖问题,从而在训练模型的过程中捕捉到文本的双向语义信息,同时模型中增加了Dropout函数优化了训练效果。实验结果表明,CNN-BLSTM模型预测五类别短文本情感的精确率和F1值达到了72.6%和72.4%,比CNN模型分别提升了3.6%和4.2%,取得了更好的分类效果。