随着现代信息技术的不断发展,世界已跨入“互联网+”与“Web2.0”的时代,使用社交媒体的用户数量急速增长,每天在各社交平台上传播的信息数据量也呈指数级增长。作为近年来快速发展的社交网络平台,微博为移动应用提供了便捷的合作模式,满足了用户在多元化移动终端中可以随时随地分享信息的需求,因此受到众多用户的广泛好评和使用。通过情感分类技术对微博文本进行分析,对于了解民众舆论倾向、了解用户需求、提高经济效益等都有重大的帮助。为提高中文微博分类效果并解决中文微博中广泛存在的一词多义现象,本文提出了一种基于混合神经网络的中文微博情感分类方法。在特征提取方面,将多种具有代表性的特征进行融合。在模型构建方面,提出一种结合卷积神经网络与循环神经网络的混合神经网络模型,该模型能够综合分析文本中的局部信息与顺序信息。本文的研究工作和创新点具体如下:(1)鉴于文本特征构建不够充分的问题,提出一种从多角度挖掘文本信息的特征构建方法。首先在语料库上通过BERT模型来预训练得到词嵌入特征,由于采取了预训练的方式,这种特征能够表征同一词语在不同语境下的多义性。然后提取其他特征,包括n-gram与词语情感极性得分特征。最后将这几类特征进行拼接融合。为了证明其的可靠性,本文设计了各个特征组合的对比实验,实验结果表明,本文所采用的特征融合方法能够有效地表示文本的特定含义与深层语义信息。(2)针对中文微博情感分类准确率不够高的问题,提出一种结合卷积神经网络与循环神经网络的混合神经网络模型。该模型同时训练卷积神经网络与循环神经网络,然后将卷积神经网络的输出与循环网络最后一个隐藏层的输出相结合,使其获得词语的局部表示信息的同时,也能够捕捉长序列信息,同时还保留了各词语之间的顺序关系。为证明所提出的创新点的有效性,本文设计了6组对比实验,使用的模型分别是SVM、CNN、MLCNN、LSTM、C-LSTM与混合神经网络模型。实验结果表明,本文所提出的混合神经网络模型在数据集上的各项分类指标均高于其他对比模型。