社交网络数据中所包含的情感对于获取网络用户的思想、观点至关重要,其研究成果已成功为产品推广、政策制定等领域提供有效的参考。目前社交网络文本舆情情感分析研究的难点之一是没有利用仅有的文本挖掘出足够有效的情感特征。除此之外,在社交网络平台中图像往往也隐含了用户的情感信息,但是图像情感往往具有较强的主观性,若将图像独立于文本进行情感分析这对于舆情情感分析的帮助并不大。因此,本文从单模态及多模态两个层面对社交网络舆情情感分析进行了以下研究:1)现今的社交网络平台中较多数据以文本的形式出现,而大部分的文本情感研究都集中在使用深度学习模型获取文本的情感特征上,且仅考虑语句的上下文信息而极少考虑使用文本语句的语法信息。据此,本文结合中文文本语法结构建立一种基于中文句法依赖信息的图卷积情感分类模型。利用学习给定文本的上下文特征表示,与给定文本的句法依赖信息结合,共同输入GCN神经网络中进行文本的情感极性分类。2)为获取多模态数据中图像与文本的特征,本文引入了预先在Image Net数据集上训练好的16层VGG网络进行参数迁移,通过参数微调的方式提取图片的局部特征表示,然后采用双层的门控神经网络及单词层面的注意力机制和句子层面的注意力机制,得到句子的情感特征表示。3)针对不同模态之间的特征融合,采用注意力机制为了图片和文本特征分配不同的权重来衡量其对于用户情感分析做出的贡献大小,得到基于图片特征的文本情感特征表示,进而输入分类器中实现多模态的情感分类。4)设计并实现了面向社交平台的舆情情感分析系统。将本文提出的情感分析算法应用于系统的情感分析模块。通过接收用户在页面上输入的内容,返回相应的分析结果,并以可视化的方式显示分析结果。综上所述,本文分别从单模态及多模态两个层面研究了社交网络中的情感分析算法,构建了社交网络中的文本情感分析模型及图片-文本多模态情感分析模型。通过在多个数据集上与已有模型进行对比实验,两个模型的准确率分别超出基准模型4.45%和5.2%,验证了两个模型的有效性。