大自然的力量常常让人望而生畏。由于我国国土辽阔,人口密度大等特点,我国灾害频发。信息现代化的发展使得大众可以在第一时间了解并关注各地的灾害消息。灾害消息通过互联网迅速传播,网民可以快速地获取到很多有关灾害的信息,但同时也伴随着一些舆论信息。大众对于重大灾害消息有很强的共情力,某些新闻报道或者某个人的极端言论可能对网民的情绪产生极大地影响。随着灾害发展趋势的不断变化,网络舆情热度同时也在发生变化。在灾害网络舆情期间,相关部门需要及时做出应对措施,以防积极向上的网络舆论环境受到破坏。因此,本文提出了基于深度学习的灾害网络舆情分析的研究与实现。本文的主要工作内容如下:（1）针对传统文本情感分析方法不能充分提取文本特征的缺陷,提出一种将ALBERT与基于注意力机制的双向长短时记忆网络融合的灾害网络舆情情感分析模型。模型针对传统词向量缺乏一词多义的特点,使用ALBERT预训练生成文本特征表示;为了使本文模型专注于更重要的文本信息,引入注意力机制与双向长短时记忆网络构成BiLSTM-ATT层;针对数据集情感类别不均衡的问题,使用Focal loss函数作为模型的损失函数改进传统模型。在利用爬虫技术获取的台风“巴威”的数据集上,与其它深度学习模型进行情感分析对比实验,实验表明ALBERT-BiLSTM-ATT模型的实验结果最好。（2）灾害网络舆情分析中另一个重要研究内容是灾害舆情演化的研究。针对深度学习自适应等优点,本文提出了一种基于时间卷积网络模型的灾害网络舆情情感预测模型。针对传统的随机梯度下降算法不能自适应学习率等缺点,本模型使用Adam优化算法作为模型的优化器。通过时间卷积网络与传统深度学习模型对比,在台风“巴威”数据集上证明此模型可以达到较高的准确度。（3）本文最后一章主要内容是台风“巴威”网络舆情分析实例及可视化。根据爬取的台风“巴威”数据,结合本文的研究成果,对台风“巴威”事件进行全面的舆情分析。重点研究每个时间段内大众的情感与台风“巴威”发展的关联,为相关部门在灾害舆情期间的工作提出技术性的建议。