微博作为参与者多、信息量大的社交平台,对其数据做情感整理工作,将会对网络安全管控起到关键性作用,情感分析就是处理这种任务的常用方法。考虑到基于传统词典和基于机器学习的情感分析方法过于依赖人工构建词典和选取特征,本文选择具有更强的泛化能力,可以高效处理大量数据、自动提取特征的深度学习方法构造模型,来对具有情感色彩的微博文本进行整理和分析,最终获取到文本的八种情感分类情况。在选择深度学习模型作为研究目标的基础上,了解到卷积神经网络与循环神经网络及其变体等方法在处理情感分析问题时存在较多的问题,如使用单一模型难以达到较高准确率、给予词语相同的权重等问题。从它们的结构与优劣势出发,本文主要研究工作如下:（1）针对文本情感分析较多关注于文本的正负二元情感分类问题,本文对微博文本进行八类情感划分,分别是:喜欢、快乐、伤心、恶心、生气、震惊、害怕和无情感,对微博情感更细致的分类以达到更有针对性的应用效果。（2）针对深度学习模型Transformer利用自注意力机制可以更好的关注文本的上下文语义,但忽略了局部特征信息。TextCNN可以很好的提取局部语义特征,但对长距离信息的提取能力较弱的特点。本文设计的模型利用Transformer中的自注意力机制,模拟人脑神经系统对微博文本进行特征提取后输入TextCNN层,将词向量进行卷积后得到相邻词向量之间的时序信息,然后经过激活函数对模型进行优化,最后将卷积层得到的时序注意力权重应用于文本分类。本文设计了不同模型的对比实验,实验结果证明提出的Transformer与TextCNN结合的情感分类模型Transformer+TextCNN（Tanh）和Transformer+TextCNN（ReLU）相较于Transformer的模型有了0.38%和0.20%的优化。（3）针对本文提出的Transformer+TextCNN情感分类模型,设计了不同的参数对比实验,包括Batchsize值、Epoch值和Dropout值。实验结果证明Batchsize参数设定为48、Epoch参数设定为20、Dropout的参数设定为0.5时实验效果最好。