随着互联网的推进和发展,每天都有海量的数据在网络上传播和扩散,这些在网络中传播和扩散的数据有着巨大的价值。其中,微博作为社交网络的代表,吸引着大量的用户在其中讨论热点,发表观点。快速准确的分析微博用户的情感,有着巨大的商业和政治价值。文本研究的对象是面向微博文本的情感分析,首先分析了当先两种主流的情感分析的方案,分别是情感词典的方法和机器学习的方法。本文提出一种融合了情感词典和机器学习的细粒度的情感分析方法。把情感词典作为句子级的情感分析工具,在构建情感词典的方法上,以大连理工的情感本体库为基础,将网络新词、词语组合、表情符号和重复语气词等加入了情感词典,另外,考虑到程度副词和否定词对于情感表达的影响,我们还统计生成了否定词表和副词词表。经过实验的验证,本文所扩充的情感词典相对于情感本体库,在对微博文本的情感分析上,具有更好的效果。基于SVM在小样本训练集上的优势,文本采用SVM作为机器学习的分类器。针对SVM在多分类的应用上做了探讨,在分析对比了其他几种多分类SVM分类器后,本文基于二叉树SVM多分类算法进行优化。分别在训练阶段和分类阶段都进行了相应的优化,通过减少累积误差和减少无效计算来提升分类精度和分类的效率。在特征组合的选择上,为了考虑句子的情感属性之间的规则,本文提出一种类序列规则,将句子都标注成情感标签,集合感情类别和连词进行训练,挖掘出类序列规则,并将其作为分类的特征之一。另外,本文还将句子的情感词特征、句子结构、符号特征也作为了分类的特征。以充分考虑它们对于文本的情感类别的影响。