随着移动技术的发展以及网民数量的增长,互联网中的信息与日俱增,文本数据是这些信息最主要的表现形式之一。从海量文本数据中提取和使用有价值的主观信息是如今自然语言处理领域中非常受欢迎的研究课题。其中,对文本中隐含的主观情感倾向性进行分析研究,可以为用户推荐、舆情分析等领域提供有益的指导。现有的文本情感分析方法尽管取得了一定的成绩,但仍存在一些缺陷:依靠情感词典判断情感极性,其准确性过于依赖词典质量的好坏,且不易于维护;使用机器学习算法提取情感特征时,特征工程的构造又极其复杂且大多忽略了文本的序列特征;常用的神经网络模型存在难以解决长期依赖和对上下文信息使用不足的缺陷。因此,本文在对这些方法总结和分析的基础上,对基于深度学习的文本情感分析模型构建及应用进行了深入的探索研究。主要工作和创新点如下:（1）构建T-BiLSTM情感分析模型:该模型的提出主要是针对现有的神经网络模型存在的缺陷。将时序卷积网络（TCN）处理时间序列问题的优势应用到文本处理上学习文本的序列特征,并利用双向长短期记忆网络（Bi-LSTM）学习文本上下文信息的优势提取文本双向语义依赖。通过残差网络的设计思路将两个网络层中提取的特征进行融合用于分类。经过实验,验证了该模型的有效性。（2）构建TCN-BA情感分析模型:考虑到自注意力机制在处理文本数据时可以对句子内部结构进行捕捉,将其引入到T-BiLSTM模型中。通过赋予不同权重给影响情感极性判别的向量,突出优势特征,从而提高模型识别情感极性的准确率。在相同实验环境下的两个数据集实验中,引入自注意力机制的TCN-BA模型与T-BiLSTM模型相比,准确率分别提升了1.54%和1.83%。（3）疫情期间微博文本情感分析:本文针对疫情期间的微博文本进行分析。根据与新冠疫情相关的关键词从微博平台上进行爬取数据,并对爬取到的数据进行预处理、标注和分析,构造了疫情期间微博文本数据集。将本文所提出的两种模型应用到该数据集上,实验数据证明两种模型的准确率和损失值表现均优于其他几组基准模型。