随着互联网的快速发展,网络数据大量、快速的产生,出现了博客、商品评论等信息,这些信息以文本的形式存在,具有情感倾向性。因而如何自动识别这些文本所表达的用户情感(如肯定或否定),在社会舆情分析、产品评估等实际应用中日益重要。然而,情感分类的准确率极易受到数据所在领域的限制和影响,某一领域的分类器难以适用于另一领域,而同时,标记信息难以及时获取,从而使得传统的情感分类算法面临着巨大的挑战。为此,跨领域情感分类的研究受到了广泛地关注。跨领域情感分类就是利用一个已标记的领域去预测一个新的未标记领域的情感极性。本文针对已有的跨领域情感分类方法中存在的问题展开研究,主要的工作如下：(1)首先对跨领域情感分类进行了总体地概述,主要包括其发展背景、意义、相关定义、主要的研究问题与分类以及研究现状。(2)为了解决跨领域情感分类中目标领域无标签问题,提出了基于特征极性调整的跨领域情感分类方法APW。该算法以共现特征为桥梁,通过共现特征极性不断调整将原始领域样本标签传递给目标领域,实现目标领域的分类。实验结果表明APW算法在分类性能和时间性能上具有较大优势。(3)为了解决特征分歧和极性分歧问题,提出了基于特征极性传递的跨领域情感分类方法TPW。该方法首先选取具有较高极性的领域通用词；针对极性分歧问题,基于原始领域与目标领域的分布距离来重置通用词的极性；针对特征分歧问题,利用通用词作为桥梁,基于特征共现关系将原始领域特征的极性传递给目标领域,从而实现目标领域样本的标注。实验结果表明,TPW算法在分类性能上取得了较好的结果。