随着5G时代的到来,数据资源将迎来爆炸式的增长,在自然语言处理方面,激增的主观文本为情感分析提供了充足的语料。传统的人工特征选择容易造成分割语义不准确的问题,浅层机器学习分类器较深度学习网络模型而言,分类的准确率提升空间有限。与英文不同,中文是一个由汉字组成的、数量十分庞大的语言体系,其多样的表达方式和复杂的语义为中文情感分析带来了巨大的挑战。为了有效地提取句子的语义特征,保留特征词的同时去除无关噪声,降低向量维度,提高情感判别的准确率,本文做了如下研究工作:（1）高质量的预处理结果对后续网络模型学习有着重要意义,于是提出了一种基于情感词典结合Word2vec增量训练的算法模块（SL-W2V-Plus）,用于特征选择和词向量训练。首先,对评论数据集进行数据清洗;其次,通过加载自定义的两个情感词典对数据集进行分词操作;然后,将去停用词结果通过Word2vec算法训练得到词向量模型;最后,加入大型语料库对模型做增量训练,得到词与词之间的关系。实验结果显示,基于SL-W2V-Plus特征工程的方法在神经网络模型的F1值和准确率上有约1%-2%的提升,证明了所提方法的有效性。（2）为了解决单一卷积神经网络缺乏同层信息互传和简单的循环神经网络无法解决长时间依赖的问题,提出了基于层级网络CNN-Bi LSTM引入注意力机制的（Hierarchical network CNN-Bi LSTM introduces the Attention mechanism,HCBLA）情感分类模型。首先,利用卷积神经网络局部特征学习能力强的特点,深层次提取短语特征;其次,利用双向长短时记忆网络对句子信息进行序列化学习,得到句子体系特征;最后,添加注意力层对句子加权求和筛选有效特征,用二分类函数对结果进行分类。在数据集上进行了多组对比实验,结果表明所提的HCBLA模型在处理中文文本分类的问题上取得较好的F1值和准确率,且具有较好的应用能力。