互联网的迅速发展,使得微博、Facebook等为代表的自媒体逐渐流行起来,成为用户抒发情感和表达个人观点的热门社交平台。这使得大量包含情感倾向的文本在网络中不断积累,分析这些文本背后隐藏的情感信息,可以掌握人们对热点话题的情感变化,为相关部门在监控舆情时提供参考。在自然语言处理中,文本情感分析是重要分支之一。它是指利用文本挖掘等技术,从含有情感信息的文本中提取态度、观点等信息进行分析。传统的情感分析方法可大致分为两类,一类是基于词典的方法,另一类是基于机器学习的方法。前者依赖情感词典的质量,后者则依靠大量的优质数据,所以两者都存在一定的局限性。深度学习的崛起,正好为文本情感分析提供了新的方法和思路。本文以微博短文本为情感分析对象进行研究,主要研究工作如下:微博文本内容丰富多样,但在现有的微博文本情感分析方法中,文字之外的特征却较少受到注意,导致情感分析效果不尽如人意。为此,本文提出了融合多特征的文本情感分析方法,构建了三种特征,分别是基于词典的情感值特征、表情特征以及改进的语义特征,将其融合搭建了文本情感分类模型。通过爬虫爬取微博文本,对获取的文本进行清洗标注等处理,将其作为自建数据集,用于实验对比。实验结果表明多特征融合对情感具有更好的指示作用,相较于传统文本卷积神经网络模型等,本文提出模型的情感分类能力得到了有效提升。此外,本文还提出基于词频-逆文档频率算法加权的Word2vec模型用于文本词向量化,与传统Word2vec模型进行对比,证明其具有一定的优势。本文结合卷积神经网络（Convolutional Neural Network,CNN）与双向长短期记忆神经网络（Bi-directional Long Short-Term Memory,Bi LSTM）构建了文本情感分类模型（KCNN-Bi LSTM）。卷积神经网络可以提取文本的局部语义信息,而双向长短期记忆神经网络可以提取文本的上下文信息,本文结合两种网络的优点并进行改进,在卷积神经网络的池化层,采用K-Max池化代替最大池化,一定程度上保留了特征的频率和部分位置信息。此外,为使模型更加完善,引入自注意力机制来增加文本中重要词语所占权重。将本文提出的模型与其他传统深度学习网络模型分别在二分类数据集和三分类数据集上进行实验对比,结果表明KCNNBi LSTM模型提高了文本情感分类的准确率,且引入自注意力机制后,模型效果得到了进一步提升。最后,本文基于Flask框架搭建系统,实现情感分析的可视化,具有单句文本预测、批量数据预测、数据占比展示和下载的功能。