这些年来,在自然语言处理方面,深度学习技术发挥着重大作用,并在此领域的研究和应用方面成果显著,基于深度学习的框架在一些方面已经超过了人类。微博由于其简单易用,传播迅速等特点,已成为大众发表言论、表达情感的重要平台,产生了大量带有情感的文本数据,对这些有情感信息的文本数据进行情感倾向分析,挖掘出其中含有的情感倾向,极具研究意义。因此本文使用深度学习技术对微博中的文本数据进行情感分析,在此基础上设计并实现了一个微博情感分析系统。为了提高情感分析技术水平,本文对门控循环单元和双向转换器编码（Bidirectional Encoder Representations from Transformers,BERT）进行了研究,提出了一个基于BERT隐藏层的文本情感分析模型,并通过实验证明了模型的有效性。具体工作内容如下:使用卷积神经网络提取输入文本的局部特征信息。在文本的特征提取部分,本文针对使用BERT得到的特征向量不能完全表示文本特征信息的问题,提出使用卷积神经网络获取输入文本的局部特征,这是对BERT编码的文本情感信息的一个补充。在BERT模型的表示层上增加了一个语义提取层,通过卷积和池化,提取出输入文本的局部特征。融合BERT 12个隐藏层提取输入文本的全局特征信息。BERT每一隐藏层学习到的特征都不相同,在使用BERT预训练模型时一般都是使用最后一个隐藏层的输出作为输入数据的特征表示向量,这并不能完全代表输入数据的特征。针对这一问题,本文提出一种融合BERT 12个隐藏层特征的模型。使用线性层、长短时记忆网络、门控循环单元分别连接12个隐藏层得到输入数据的12个特征表示,将其与卷积神经网络特征提取层得到的特征向量进行拼接,得到了输入数据的完整语义信息。将输入数据的完整特征向量送入下游模型进行情感分析模型训练。通过实验发现使用门控循环单元连接12个隐藏层效果最好。在此基础上提出使用门控循环单元将隐藏层进行分组,并通过实验证明使用2个门控循环单元将12个隐藏层分为2组,前6个隐藏层为一组,后6个隐藏层为一组的模型性能最好,模型的准确率得到有效的提升。情感分析系统设计与实现。将本文提出的模型应用到微博上,设计了一个微博情感分析系统。该系统通过爬取微博社交平台上的相关话题数据,使用本文提出的模型对爬取到的数据进行情感倾向分析,并将分析结果展现给用户。