随着互联网的高速发展,网络社区中无时无刻不产生着海量的评论数据,这些数据中蕴含着大量的有用信息,而人工分析的代价高、速度慢,因此自动情感分析已经成为目前的研究热门领域之一。情感分析任务是指对特定目标（如文档、句子、词语等）中蕴含的情感倾向（如褒义、贬义、中性等）进行分析、挖掘,以预测其情感极性。随着深度学习的蓬勃兴起,许多研究尝试将其应用到情感分析中。在深度学习模型中,文本通常会被表示为词向量输入到模型中。目前,大部分的词向量技术都只是基于上下文特征学习的,得到的词向量一般只保留了词语中的语义信息,将有可能导致两个反义词被认为是相近的词,在进行情感分析任务时这是不合理的。针对上述问题,本文提出了一种融合了语义与情感特征的情感词向量。使用深度学习模型从文档中提取情感信息并构建情感向量,并将其与语义向量融合起来。实验结果显示,对比传统词向量或目前已有的一些情感词向量,本文所提的情感词向量在情感分析任务中有更好的效果。针对情感词语强度量化难,对情感词典依赖大的问题,提出了一种基于情感词向量的词情感强度度量方法,在不依赖词典或其他专家知识的情况下可以快速地计算词语的情感强度。在实验中计算得到的情感强度与语义上的强度基本一致,能准确表示词语的情感倾向的强弱。此外,针对小语种标记语料少、人工标记代价高的问题,本文提出了一种基于迁移学习以及情感词向量的越南语情感分析模型,可以有效通过英语语料预训练提升越南语情感分类模型的精度。最后,通过实验验证了本文模型的有效性。