词袋模型是基于机器学习的情感分类任务最为常用的文本表示方法,然而传统的基于词袋模型的文本表示方法存在着一些基础性的问题,尚未得到有效的解决。情感文本中的极性转移现象是其中一个极为重要的问题,很大程度上限制了情感分类的性能。本文针对情感分类中的极性转移问题,开展了以下几方面研究工作：首先,本文总结归纳了极性转移产生的原因与类型,统计了极性转移样本在实际语料中以及在错分样本中的分布情况,并通过实例分析验证情感文本中的极性转移问题对情感分类性能的影响。然后,论文提出了一种混合极性转移检测和反义替换算法。本文先结合规则方法和统计学习方法的优点,提出了混合极性转移检测算法：利用规则方法检测显式极性转移,利用统计学习方法检测隐式极性转移。然后针对算法检测出的否定极性转移子集,提出了反义替换算法,进一步消除否定极性转移。最后,一篇文档将被划分成反义替换子集、句间极性转移子集和无极性转移子集,我们利用子集文档基分类器集成算法,得到文档的最终情感极性。最后,论文提出了一种基于反义样本的对偶情感分类方法。该方法先利用语义知识和反义字典,自动生成与原始样本极性相反并且消除了否定极性转移的反义样本。然后提出了对偶训练和对偶预测算法,利用反义样本参与到模型的训练和分类预测。该方法的一个核心问题是如何构建反义字典,论文还提出的两种情感反义字典构建方法：基于字典资源方法和基于语料的方法。论文在中英文标准数据集上进行了实验,实验证实与相关工作的算法相比,本文提出的算法取得了情感分类性能的显著的提升。