近几年来，为了处理网络中大量带情感的文本信息，情感分析技术受到了广大研究者的广泛关注。情感分析技术旨在利用自然语言处理技术从文本中挖掘有关情感的重要信息。然而，情感分析和其他文本分类一样面临着高维度特征空间问题，该问题在造成特征冗余的同时也使得一些有效的学习算法难以施展。因此，情感分类中的特征选择方法研究具有重要的理论研究意义和实用价值。本文主要针对情感分类中的特征选择方法开展了以下几方面的研究工作：首先，本文针对情感分类中数据不平衡分布问题，提出了三种不同的基于欠采样方法的特征选择模式，并比较了四种经典的特征选择方法在这些模式中的分类性能。实验结果表明，特征选择方法可有效解决不平衡数据情感分类任务中的高维度特征空间问题。其次，本文提出了基于二部图的半监督情感分类特征选择方法。借助二部图模型和标签传播算法来计算每个特征的情感概率，通过对特征的情感概率进行排序实现特征选择。多个领域的实验结果表明，基于二部图的特征选择方法明显优于随机特征选择，在半监督情感分类任务中能够有效降低特征空间维度。最后，本文提出了一种面向跨语言情感分类的特征选择方法，用于解决双语情感分类任务中因特征扩展而导致的高维度特征空间问题。其核心思想是利用信息增益（IG）方法挑选出标注样本与未标注样本中的区分度较高的共有特征，接着借助选择出的种子特征，利用点互信息（PMI）获取未标注样本中的其他独有特征。实验结果表明，本文方法有效解决了双语半监督情感分类任务中特征空间较高的问题。