在如今大数据时代的背景下,各种各样的社交媒体的出现带来了互联网中数据的指数型增长。有了可获得的大量数据,越来越多的研究学者也就根据这些数据进行了大量相关的研究工作,比如社交网络中关键节点的发现研究、社区发现研究、基于文本的推荐算法研究或者情感分析相关研究。本文的研究工作将是对短文本中所包含的情绪进行分析,并且也将文本中出现的非文字信息表情符号纳入情绪分析的过程中。本文的研究工作目的是将根据美国学者Ekman的情绪分类理论,把文本中所包含的情绪分为开心、伤心、愤怒、惊喜、难过、恐惧等六类当中的某一类。通过对相关研究文献进行阅读整理,现有的研究工作主要是进行情感的二分类或者三分类即把情感分为积极、消极或中性,很少对中文短文本进行情绪分析。并且在进行情绪分析时,已有的研究工作大多数都将短文本中所出现的非语言信息直接过滤掉或直接与文字信息一同处理。目前深度学习的方法在其它文本处理方面的应用呈现较好的效果,所以本文将深度学习方法引用到文本情绪分析任务中来的也是一种新颖的应用方式,因此本文就此进行了如下的研究工作:（1）将短文本中所出现的表情符号纳入文本情绪分类任务中来。根据数据集当中表情符号的分布情况,通过数据统计分析的方法得到每个表情符号对每一种情绪种类的倾向程度。（2）输入文本的分类预处理。在进行文本嵌入之前,通过情绪词典和表情符号词典来判断输入文本当中是否含有显性情绪词或表情符号,从而将输入文本分成四种不同的句子类别。然后在后续的任务当中,根据不同文本类别学习不同的融合权重,从而进行情绪特征的融合以达到更好的情绪分类效果。（3）情绪分析模型的提出。根据（1）、（2）部分的研究并且结合深度学习方法当中的Bi-GRU网络推出本文基于语义和表情符号的情绪分类模型SEER（Semantic Emoticon Emotion Recognizer,SEER）。模型中通过Bi-GRU网络并且也引入自注意力机制,来更精确的提取自然语言文本中所包含的语义情绪特征,然后和表情符号的情绪特征进行融合进而完成文本情绪分类任务。最后,通过在两个数据集上进行对比实验证实了表情符号在文本情绪分析任务当中的作用,也证实了本文所提出的新模型对文本情绪分类的有效性。