人们通过移动设备在社交网络上传播实时信息,进而成为热点话题的发起者与传播者。热点事件在社交网络中传播与扩散,产生热点事件相关的舆情,进而影响我们的现实生活,所以对社交网络中舆情进行分析有着重要意义。公众情绪信息是舆情的重要组成部分,当前的舆情分析多是站在话题演化的角度,忽略了舆情中“情绪”的信息,本文将从“情绪”的角度出发,针对用户发布的关于热点事件的文本内容,通过文本情感多标签分类的方式,细粒度展示社交网络中热点事件下公众情绪在不同时间段的发展变化过程,对现有舆情分析内容的全面性和完整性进行补充。本文具体工作如下:（1）考虑到使用seq2seq模型处理多标签任务时,标签序列未知的问题,本文提出一种基于条件概率的动态标签排序算法。该算法能够结合模型预测结果集合和样本真实标签集合动态调整标签序列,提升模型效果。在序列生成模型SGM的基础上,设计融合该算法的ASGM模型。通过对比模型在RCV1数据集上的训练效果,验证算法的有效性。（2）对于神经网络多标签模型如ASGM,因参数量巨大和梯度消失等导致的模型难以训练的问题,设计了基于Highway Network的多标签分类模型TML-HN,有效减少了参数量,缓解了梯度消失问题。最后在RCV1数据集上通过与其他模型和算法的对比验证TML-HN模型的有效性。（3）设计热点事件公众情绪分析算法,在验证上述两种模型有效性的基础上,通过多标签情感数据集训练上述两种模型,获取抓取的社交网络热点话题数据的情感标签,通过不同的时间粒度,通过统计展示公众情绪随时间发展变化的过程。设计并实现集成爬虫、文本情感多标签预测和热点事件公众情绪分析三部分功能的多标签公众情绪分析原型系统。