随着自媒体时代的到来,微博凭借其信息交互便捷、时效性强、传播范围广等优势成为重要的舆论阵地。情感是舆情发展的风向标和催化剂,及时准确地识别舆情事件发展过程中网民的各种情感,对于舆情的监管以及正确引导有着重要意义,所以研究微博舆情情感分类具有十分重要的意义。本论文从提升情感分类准确率出发,提出了一种面向微博舆情文本的情感分类方法。本论文的主要研究工作如下:(1)针对情感多元分类中数据标注缺乏规范且易受主观因素影响的问题,本文提出从情感认知角度进行解决。在对OCC情感认知模型分析研究的基础上,根据微博舆情文本的特点,提出了 WOCC情感认知模型。该模型定义了 8种舆情情感类型,明确了每种情感的判定规则,为情感标注提供了理论依据。以自然标注的数据集作为对比,通过实验证明了:利用WOCC情感规则标注的数据集训练分类模型,模型性能表现得更好。(2)针对中文分词不准确和微博文本不规范的问题,本文提出了多特征文本表示,同时提取文本的词、字、拼音三种特征,三种特征相辅相成,互有补充,能够实现对微博文本语义较完整的表达。实验结果表明:相较于单一文本表示,从词、字、拼音三个角度共同对文本进行表示,可以有效提高微博舆情文本的情感分类效果。(3)针对单一深度学习模型特征提取不足的问题,本文提出了混合深度学习模型MCNN-BiLSTM用以情感分类。该模型面向微博舆情文本建模,构造三个通道同时接收不同特征表示的输入矩阵。每个通道下,以改进的MCNN网络结构提取局部特征:使用多尺寸卷积核进行卷积操作,提取更多的特征,并采取分段池化的策略,最大程度地保留特征的位置信息与强度信息;融合双向LSTM对MCNN的输出进行进一步的上下文信息提取;并在双向LSTM后引入注意力机制,计算注意力概率分布,突出关键词对情感表达的重要度。实验结果表明:在真实微博舆情文本数据上,MCNN-BiLSTM模型的MAF值相对于单一模型得到了较大的提高,模型的性能更好,有更好的实用性。