随着社交网络的快速发展以及用户的广泛参与,网络中产生了日均千万级的文本数据,其中包含了大量公众对热点事件的观点与态度,以及用户对产品的体验等。对这些含有丰富情绪信息的文本数据进行挖掘与分析,识别、理解其中包含的情绪信息,具有很高的社会价值与商业价值,引起了学术界和产业界众多研究者的广泛关注。网络文本具有口语化和不规范化的特点,这使得情绪分析工作面临很多挑战。在词嵌入表示方面,现有模型大多采用Word2Vec、GloVe等预训练语言模型得到静态词向量,无法根据具体语境动态地调整词向量以解决一词多义的问题。在文本特征提取方面,CNN、Bi-LSTM等神经网络模型虽然能够提取局部语义特征和全局语义特征,但无法学习到句子的句法特征。此外,情绪类别标签在情绪分类中具有重要作用,但多数分类模型仅仅是将类别标签符号化,类别标签的语义信息并未被充分利用。为此,本文针对基于深度学习的文本情绪分析方法展开深入研究,主要工作分为以下两个方面:（1）提出了基于ON-LSTM和注意力机制的文本特征提取方法。首先采用BERT预训练语言模型对情绪文本进行动态词向量表示,其次通过引入有序神经元长短时记忆网络对情绪文本进行编码,在学习文本语义信息的同时,无监督地学习文本的句法结构信息,从而得到更全面深层的文本特征表示,进而利用注意力机制更多地关注文本中与情绪相关的信息,来完成情绪文本的特征提取。在公开评测的数据集上进行了同类对比实验,结果表明该文本特征提取方法能够在一定程度上提升情绪分析的效果。（2）提出了基于ON-LSTM和标签语义的情绪分析模型（Emotin Analysis Model based on ON-LSTM and Label Semantic,ON-LSTM-LS）。基于情绪类别标签具有语义信息且能够指导情绪分析的特点,本文将文本情绪特征与标签语义特征相结合,共同参与情绪分析。文本情绪特征采用三层ON-LSTM网络进行提取。关于类别标签语义特征的获取,本文采用两种途径:第一种是使用预训练的BERT获得标签词的词嵌入表示;第二种则是利用基于Bi-LSTM和注意力机制的标签语义扩充方法,通过引入标签语义扩充文本,并对其进行类别标签相关的特征提取,作为标签语义的一种补充,丰富标签语义信息。在中文微博情绪分析数据集上进行消融实验及同类模型对比实验,结果表明融入了标签语义信息的情绪分析模型ON-LSTM-LS能够进一步有效地提升情绪分析的效果。本文针对网络社交文本,以有序神经元长短时记忆网络和注意力机制为基础,融入情绪类别标签的语义信息,构建情绪分析模型ON-LSTM-LS,提升了文本情绪分析的性能。