传统监督学习方法需要利用大量有标记的样本进行学习,但是得到具有较强泛化能力的模型往往需要大量的标记样本。在许多学习任务中,标记样本的获取需要大量的人力物力,相对而言无标记样本的获取却较为容易。半监督学习正是一种综合利用标记样本和无标记样本进行学习的方法。目前,半监督深度学习中的研究热点之一集中在一致性假设的应用。所谓一致性假设,是指在模型训练过程对样本进行数据增强,并保证数据增强前后的模型预测结果一致,以此提高模型的鲁棒性,然而该类方法在计算一致性损失的过程中,只考虑对每个样本添加扰动,却忽略了样本之间的连接,进而可能会丢失数据的结构信息。为应对以上问题,本文提出融合一致性正则与流形正则的半监督深度学习算法,并将其应用到情感分析中的情感分类任务中,具体的工作内容如下:（1）针对基于一致性半监督方法忽略数据结构信息的问题,提出融合一致性正则与流形正则的半监督深度学习算法。该算法在对模型施加一致性约束的同时,对样本进行构图并加入平滑性损失,优化模型在每个样本点邻域内以及样本点之间的平滑性。在图像与文本数据集上进行实验验证,结果表明该算法与之前半监督深度学习算法相比,模型精度得到提高。（2）半监督情感分析系统的设计与实现,该系统主要目的是利用半监督学习算法训练情感分类器,对用户输入的文本数据进行情感倾向性判断。系统将本文所提出的算法,以及半监督学习中多种经典算法,应用于情感分析中的情感分类任务中,并使用基于B/S架构的Django框架进行搭建。该系统主要功能包括文本预处理,特征提取,算法实现以及参考文献展示。同时,该系统对半监督学习在情感分析中的应用做了详尽的介绍。综上所述,本文通过对半监督深度学习中一致性正则方法的研究,提出融合一致性正则与流形正则的半监督深度学习算法,为半监督学习中的相关研究提供了新的研究思路,并且半监督情感分析系统的实现充分展示了该算法在现实任务中的良好应用。