近些年,随着互联网的高速发展,网络用户的不断增加,互联网上涌现了大量蕴含着情感信息的文本。这些文本具有很高的价值,可以用于舆情控制,商品推荐,事件预测。因此文本情感分类问题成为研究人员关注的重要问题之一。有研究者提出将word2vec和卷积神经网络(convolutional neural network,CNN)相结合用于文本情感分类任务。由于网络中文本的特征呈现长度较短,情感明显的趋势,本文对上述方法进行改进,以提高分类正确率。主要的工作内容如下:首先为预先训练好的词向量增加情感信息。根据word2vec词向量距离可计算性,余弦值越大的词语相似度越高,具有相同情感极性的可能性越高,使用word2vec词向量对经典的情感词典进行扩充。将word2vec词向量和词语的情感向量相融合,得到全局词向量。然后为全局词向量增加本地信息。使用TFIDF(term frequency–inverse document frequency)对word2vec词向量进行调整。引入可信度,对情感向量进行改进。最后通过双通道卷积神经网络,微调一组词向量使得词向量提供更多的本地信息,另一组词向量保持不变。对两组词向量分别进行学习可以得到更多的特征。通过使用多卷积核对词向量不同区域进行自动的特征提取。并使用最大池化方法对特征进行进一步抽取,通过softmax函数进行分类。使用theano深度学习框架对提出的方法进行验证。实验结果表明本文提出的方法具有更好的分类效果。