文本情感分析是依据文本数据提供的特征计算该文本的褒贬等情感倾向,为制定决策提供有效依据。文本情感分析是自然语言处理的基本任务,是人机交互、人工智能的关键技术之一,被广泛应用于国防建设、政府管理、舆情分析、医疗卫生及商业等领域,通过大数据文本分析,可为国家方针政策制定、社会改革、企业经济运行及个人的日常工作生活等提供辅助支持。目前,已有的情感分析算法虽然已经取得了一定的效果,但是,依然存在着一些问题和挑战。例如,词向量的文本表示方法存在分词歧义及无法表示一词多义的现象;普通神经网络方法无法很好地识别短文本稀疏特征中更重要的部分,不能充分利用文本的句法结构等信息。针对上述问题,本文主要研究内容包括:1.针对目前中文信息处理领域以词向量表示文本时对分词准确性要求较高,无法处理分词歧义与一词多义现象的问题,提出一种改进的基于字向量的双向长短时记忆网络(Bi-directional Long-Short Term Memory,BLSTM)情感分析算法。利用字向量对中文短文本进行细粒度表示,通过BLSTM网络捕捉句子的上下文语义信息,降低了分词可能产生的噪声对算法性能的影响,有效提升了短文本情感识别算法的精度。2.针对传统神经网络算法无法更好的关注中文短文本的局部关键特征,对全局信息拟合能力较弱的问题,提出了基于自注意力机制和BLSTM的情感分析算法。采用BLSTM编码文本序列后利用自注意力机制进行动态权重调整,结合全局语义信息得到关键特征,仿真实验表明该算法的性能得到较大提升,在两类数据集上最好的F1测度分别为89.74%和91.10%。3.针对现有深度学习算法未考虑句子的层次结构及语义信息的问题,提出基于分治策略和SATT-BLSTM的情感分析算法。该算法利用分治策略,以字向量为单位自底向上融合为短语向量,再得到句子的情感特征表示,同时引入句子的结构信息用于情感判别,实验结果表明了该算法的有效性和可行性。