新冠疫情的爆发打乱了人们原本平静的生活,也影响到了整个社会的正常运行。在疫情的笼罩下,人们的情绪会随着疫情发展的最新动态而不断变化。随着互联网的发展和智能手机的普及,人们倾向于在网络社交平台上发表自己对于热点时事的看法,而这些文本中往往包含着某种情感倾向。及时把握社会对于疫情的情感走向对于舆论引导至关重要,而如何通过这些文本数据准确地识别出其中的情感是我们亟需解决的问题。由于中文的表达方式复杂多变,传统的识别方式无法奏效。随着人们对深度学习不断探索,发现深度学习的方法在文本情感识别任务上有更好的效果。因此,本文试图通过深度学习的方法,对疫情相关文本的情感倾向进行识别,主要包含了如下工作:首先,通过爬虫的方式从新浪微博平台获取与新冠疫情相关的文本评论,并通过数据清洗、分词、去除停用词等操作完成对于原始数据的数据预处理。该评论数据集将作为本文的实验数据集,用于模型的训练和测试。其次,考虑到文本情感识别中,每句话里不同的情感关键词对于情感的识别贡献应该是不同的,而原有的双向长短期记忆网络模型（Bi LSTM）无法克服这个阻碍。因此,本文引入注意力机制（Attention）,对句子中不同的情感关键词赋予不同的权重。实验结果表明,引入了注意力机制的模型具有更好的识别率。另外,将原本用于图像识别的胶囊网络加入到文本情感识别的任务中。原本的神经网络能够获取全局特征信息,加入了胶囊神经网络后强化了对于局部特征的捕获,而且,输出的向量神经元携带了更多维的特征信息,避免了卷积神经网络（CNN）特征提取时会出现的“信息遗漏”问题。实验结果表明,改进后的引入了胶囊网络的情感分析模型在实验数据集上有更高的F1值。本文从新冠疫情的背景出发,目的是通过对深度学习模型的改进,使模型在疫情文本情感分类问题上有更好的表现,为疫情下的舆情管理提供新思路。