社交媒体的发展带来了虚假谣言信息的泛滥,不切实际的谣言操纵了舆论感情,误导了公众的判断,更影响了社会稳定。学生群体的自我意识较强但容易被舆论信息所煽动,被谣言影响从而产生大量的负面舆论情感。为维护学生的心理健康,构建和谐的校园环境,首先需要对舆论信息进行科学甄别,当下人工智能正在尝试担任这一角色。为解决对校园舆情数据的批量采集以及实现舆情情感倾向的自动判别,本文借助深度学习方法对校园网络中舆情数据的情感分析这一任务进行研究,主要研究内容如下:1)为解决对海量校园舆情数据的实时采集,保证舆情监控数据来源的真实性与时效性,本文首先借助Scrapy框架编写的爬虫脚本实现了校园舆情数据的批量收集,并通过正则匹配的方式清洗数据。同时预处理过程包括了分词、去除停用词以及利用Word2vec和BERT预训练模型对舆情数据的文本表示。2)舆情情感分析模型的训练往往需要大量数据来完成,为提高对舆情情感的判别能力,需要对已有的高校舆情公开数据集Senti进一步增强,本文设计了基于Transformer生成对抗网络（T-GAN）模型,通过生成句级文本的方式对分布不均衡的数据集扩充。T-GAN在传统GAN的基础上进行改进,其中,生成器引入变分自编码器的结构,变分自编码器将文本提取特征作为生成器的输入;基于Transformer的判别器能更好的捕获词语间的长期依赖性,生成高质量的样本。3)为解决海量校园舆情数据自动化分析,利用先进的深度学习技术,实现校园信息内容的精准挖掘,针对学生舆论进行情感倾向判断,帮助学校制定具有针对性的相关政策。本文设计了混合嵌入的多尺度卷积神经网络（HWE-MCNN）模型,利用卷积结构对采集到的舆情数据提取特征,模型在字向量的文本表示和多尺度卷积结构的基础上,将词和词性结合作为另一通道与字向量卷积网络进行融合,使用混合嵌入的文本表示。4)为实现自动采集校园网络舆情数据,批量分析舆情情感倾向以及提取舆情主题,设计并实现了校园网络舆情分析系统。系统利用爬虫脚本采集数据,通过HWE-MCNN模型判断舆情情感类型,Text Rank模型提取舆情数据的主题并进行统计和分析。通过系统及时纠正校内负面舆论影响,为学校管理与建设良好校园环境提供数据依靠。针对数据分布不均匀出现的过拟合的问题,T-GAN模型将变分自编码器和传统GAN的优点相结合,实验结果表明,使用增强数据集训练,在SVM和Ro BERTa模型中分类准确率提高了18.61%和1.67%。针对单一文本表示无法精准表达语义问题,HWEMCNN模型在传统单通道模型基础上将多种文本表示特征融合后提取,加入注意力机制放大关键特征,实验结果表明,使用增强数据集训练,HWE-MCNN模型在公开测试集中准确率达到93.72%,对比单一字向量表示的多尺度卷积准确率提高了1.66%。