随着信息技术的发展和各类服务型APP的流行,评论文本的数量也呈现出了快速增长的趋势,这些评论文本中蕴藏着重要的信息和潜在的价值,因此通过情感分类技术挖掘出这些评论文本中潜在的情感信息是非常有必要的。本文所研究的情感分类是挖掘和分析中文评论性文本中蕴含的情感信息然后把这些评论文本实现正确分类,这样做的目的是能够准确地把主观对象所要表达的真正的情感倾向挖掘出来以实现这些评论文本所蕴含的价值。但是现存的情感分类方法并不是尽善尽美的,针对现存传统情感分类模型在情感分类任务中出现的问题,本文提出了新方法和新的研究思路,本文的主要研究内容如下:（1）为了解决传统情感分类模型分类精度低、情感词捕获能力差、特征提取过程单一的问题。本文提出了基于EBAP模型的情感分类方法,该模型利用串行提取特征的思想,为了增强语义理解及知识表示首先利用预训练模型ERNIE生成词向量,然后将生成的对应词向量送入双向门控神经网络进行双向语义特征的提取,在此基础上引入注意力机制对评论文本中有着不同重要程度的情感信息赋予不同的权重值。再利用卷积神经网络的池化层对最有用的特征进行再次提取同时去除冗余无用的信息,减少对分类结果有影响的因素。最后将提取的特征向量送入Softmax分类器得到不同的情感极性。在中文情感分类数据集Chn Senti Corp上EBAP模型在评价指标:精确率、召回率以及F1上均取得了良好的实验效果,并且在测试集上的准确率达到了95.33%。（2）为了解决短文本语义稀疏、传统情感分类模型不能充分学习利用原始评论文本中所蕴含的情感和语义信息、模型复杂度的增加而带来计算成本增加的问题。本文首先对DPCNN神经网络进行改进,然后对改进DPCNN网络与其他神经网络以及预训练模型的融合方法进行逐步研究探索,最终提出了基于EIDBS模型的情感分类方法,EIDBS模型利用多通道并行提取特征和特征融合的思想,首先用知识增强的语义表示预训练模型ERNIE生成词向量和语义向量,然后将生成的词向量分别送入BILSTM通道和改进的DPCNN通道进行特征提取,将两个通道提取到的特征向量与语义向量进行特征融合,最后将融合的特征向量送入Softmax分类器进行分类。并且在中文公开的情感分类数据集Chn Senti Corp上取得了良好的实验效果,准确率达到了93.92%,对于精确率、召回率以及F1等评价指标均达到了预期。