网络技术的快速发展以及信息时代的到来,数量巨大的文本信息在网络上飞速增长。微博、微信等全民社交平台贯穿人们日常生活的角角落落,以段子、评论为主流形式的短文本博文每时每刻都在网络上进行爆炸式的增长。这些文本信息包含舆论导向、用户观点,所以对这些短文本进行有效的情感分析,挖掘其潜在信息具有巨大的社会和经济效益。为了实现面向海量数据的互联网短文本的情感分析,研究者们使用机器学习等自动化方式,来适应数据量巨大的需求。特征选择算法是基于机器学习的情感分析方法中的重要步骤,在中文短文本情感分析的应用场景中,现有的特征选择算法存在不足和缺陷,本文对词频-逆文本频率指数算法(term frequency-inverse document frequency,TF-IDF)、信息增益算法(Information Gain,IG)和互信息算法(Mutual Information,MI)在应用场景中的不足进行研究并提出改进方案。传统的TF-IDF算法存在忽略特征类间分布信息的不足,传统的信息增益算法存在忽略词频信息的不足。针对以上不足,本文通过引入类间特征分布信息和词频信息的考虑,对传统的TF-IDF算法和信息增益算法进行优化改进。改进算法能够更好地区分特征之间的差异,提高特征选择能力,最终提升算法的性能。传统的互信息算法存在未考虑词频信息、类别相关度以及赋予低频词过高权重等问题。针对以上问题,本文从词频信息、文档频率信息等方面对算法本身存在的不足以及在情感分析应用场景中的缺陷进行优化改进。改进算法能够较好的克服以上不足,更好地筛选出更具分类意义的特征词,有效过滤干扰特征,进而提高算法的分类性能。通过对比实验结果表明,本文改进的算法较传统算法以及相关改进算法,在中文短文本情感分析应用场景中表现出更好的分类性能。