随着互联网的快速发展与Web 2.0时代的到来,在线新闻作为主要的网络信息载体,已经成为人们获取新闻资讯的主要渠道。其内容与形式也不断创新,允许用户通过情绪投票直接抒发自己对新闻事件的情绪。了解用户对新闻事件的态度和情绪变化,可以辅助在线新闻服务商理解用户偏好,同时有助于实现网络舆情分析和监控。因此,如何准确地对用户的情绪进行预测,具有重要的理论意义和应用价值。本文分析并总结了读者情绪预测在国内外的研究现状,结合目前机器学习领域高度关注的LDA主题模型及多标签分类技术,对新闻文本引发的读者情绪自动判别和预测进行了深入研究,主要工作包括：第一,首次提出将读者情绪预测作为多标签分类问题。由于现有读者情绪预测方法大多将读者情绪预测作为单标签分类任务,这与人类直觉及对读者情绪进行大规模统计结果不符。本文在对读者情绪投票数据进行详细统计分析的基础上,验证了使用多标签分类方法解决读者情绪预测问题的正确性。第二,提出一种读者情绪自动标注方法。本文设计了一种读者情绪多标签标注算法,该算法创新性地利用读者情绪投票数据,采用基于阈值的方法,实现了读者情绪的自动标注。避免了传统手工标注方法工作量大、标注结果不准确等问题。第三,提出一种多标签监督的情绪-主题模型。在深入分析LDA主题模型的基础上,增加一层隐含的读者情绪,并利用读者情绪反馈信息对模型进行监督。与传统模型相比,该模型能够更加有效地利用文本语义信息,取得了更加准确的情绪预测结果。本文在真实的新浪社会新闻数据集上进行了大量的对比实验,结合多标签分类常用评测指标,对实验结果进行评测。实验结果表明较已有的读者情绪预测方法,本文提出的多标签监督的情绪-主题模型能够更准确地预测读者情绪。