互联网的快速发展促进了社交和电子商务等平台的兴起,网上涌现出大量的评论文本,迫切需要情感分析技术对文本进行自动分析。针对文档级情感分析,学者们提出了各种基于神经网络的文本分析方法,文本情感分析的精度提高了很多,但仍存在以下不足:现有的情感词向量表达情感信息不充分;文档特征未被有效提取;同时缺乏对文本所在语境的关注,使得情感分类效果差。因此论文提出了一种基于主题特征和深度学习的文档级情感分析方法,具体研究内容分为以下三个方面:(1)针对现有的情感词向量生成模型中使用的情感信息不够丰富的情况,构造基于Skip-gram的情感词向量学习模型,将改进的Skip-gram模型和非对称卷积神经网络相结合,组合成SA-SWVM模型,获得语义和情感信息丰富的情感词向量。分别在词和句子层面进行实验,验证所构建的情感词向量模型在中英文数据集下有很好的适应性,可以捕获语料中的情感信息。(2)针对文档特征未被有效提取的情况,利用注意力机制对情感词向量进行重组,捕获词向量中非连续词之间的关系,构建ACNN和基于注意力机制的Bi-GRU的深度学习模型,ACNN用于句子合成,基于注意力机制的Bi-GRU模型用于文档合成,以提取丰富的文档特征。在电影评论数据集上,与FastText分类器等模型进行对比实验,实验结果表明,提出的文档级情感分析方法相比传统的神经网络方法性能有很大的提高。(3)针对传统文档级情感分析方法缺乏对文本所在语境的关注的情况,利用构建的S-LDA主题模型提取主题特征,同时将主题特征和文本特征以前期融合的形式融入到所提出的深度学习模型中,以充分考虑文本的主题语境。将提出的融入主题特征的深度学习模型的文档级情感分析模型与TextHFT等相关研究进行对比,研究发现,该模型的召回率和F值较高。