随着互联网金融和证券市场的日益成熟,投资者不断的涌入股票的交易系统中时刻产生海量的数据。人工智能和深度学习技术在金融行业得到了广泛的应用。根据市场的非有效理论模型即股价并非完全反应上市公司的真实价值,市场的情绪价值与股票的价格走势存在一定的相关性。因此,可以利用对金融文本的情感分析帮助投资者做出符合市场的判断。本文以股吧中的投资者情感信息为例,结合深度学习技术进行了以下研究和探索。（1）针对循环神经网络分析模型忽略情感词的缺陷,本文提出了基于Fin BERT-Bi ALSTM的情感分析方法。该方法利用Fin BERT获取文本的动态词向量并消除一词多义的影响,将获得的词向量传输到Bi LSTM模型中以加强文本序列信息。通过应用注意力机制增强特征词权重和整合文本语义,从而加强对长序列语序学习能力,有效提高模型对金融文本的判别准确率。（2）针对卷积神经网络易忽略上下文语义信息的问题,本文提出了基于NTFABi LSTM多通道的文本情感分析方法。利用Fin BERT模型提取文本词向量,采用改进的Text CNN和Bi ALSTM模型分别提取向量特征的局部信息和全局信息,并通过融合层将两个向量进行融合,在全连接层中实现情感分类。实验结果表明,准确率和F1值等指标均有上升。（3）基于上述情感分析模型构建融合文本情感分析和股票历史行情数据的股票趋势预测模型。以情感分类为参数设计了投资者情绪表达的指标体系,融合投资者情绪和历史行情特征,以投资者情绪指标与股票历史交易数据作为网络输入,并与现有的股票趋势预测模型进行对比。实验结果表明基于本文提出的组合模型在预测国内股票价格趋势任务上的可行性和实用性。