随着微博等网络平台的发展,越来越多的人愿意表达自己的情感和观点,因此大量的主观性文本在互联网中堆积。通过挖掘文本中的信息,可以及时的了解人们对某一问题的情感倾向。文本情感分析就是通过计算机自动识别文档中的主观性观点,并判断整篇文档的情感倾向。近年来,文本情感分析方法中表现较好的是深度神经网络,尤其是卷积神经网络(Convolutional Neural Networks,CNN)和双向长短期记忆网络(Bidirectional Long Short Term Memory,Bi LSTM)。这些方法的核心思想是从文本数据中提取深层次的语义局部特征及上下文全局特征进行情感分类。但也存在一些不足,如没有考虑不同的特征对分类准确率的影响不同,不同词性的词语包含的情感信息也不同等。本论文针对情感分析深度神经网络模型存在的问题,研究情感分析模型和算法,主要内容如下:(1)针对融合CNN和Bi LSTM特征模型提取特征不全面,及未考虑各特征对结果的影响不同的问题,提出一种融合局部和全局关键特征的情感分析方法(Fusion of Local and Global Key Features,LGKF)。该方法通过增加卷积核的种类,提取更全面的局部特征表示;引入注意力机制,区分特征表示对分类结果的不同影响。在三个数据集上进行实验,结果表明该方法在准确率上较原方法提高了4%左右。(2)针对融合局部和全局关键特征方法中没有考虑词语的词向量维度层面信息的问题,提出一种融合可变卷积和Bi LSTM关键特征的改进方法(Fusion of Variable Convolution and Bi LSTM Key Features,VCBKF)。该方法改变卷积层的卷积方式,从文档句子方向纵向卷积,词向量维度方向横向卷积;在池化层,利用最大池化和平均池化两种方式保留特征中的重要信息。实验结果表明,该方法在分类准确率方面相比于LGKF模型提高了1%左右。(3)针对融合可变卷积和Bi LSTM关键特征方法中没有考虑文档浅层特征的问题,提出一种融合文档浅层和深层特征的方法(Merging Surface and Deep Features,MSDF)。该方法在输入数据中增加了词语的词性向量,使得情感分析模型能够从词向量和词性向量中提取更准确的深层语义特征。在两个英文数据集上的实验结果表明,该方法的分类准确率高于其他模型的准确率。