随着互联网技术的快速发展与普及,用户对互联网发展的参与程度大大提高,各种各样的互联网社交应用,如微博、微信、QQ等,每天产生的交流数据量呈爆炸式增长。这些文本信息通常内容相对较短,表达方式简洁,称之为短文本。在海量的短文本中,尤其是用户对互联网上诸如产品、新闻、人物等的评价文本中,蕴含了丰富的个人情感倾向信息。这些信息具有非常广泛的应用领域,如网络舆情监控、个人情绪管理、商品推荐等。因此,针对互联网上大量中文短文本信息进行情感倾向性研究,已经成为了当前自然语言处理研究的新热点。中文短文本具有内容相对较少、数据特征稀疏和表达方式多种多样等特点,对于传统的短文本处理是在bag-of-words范式的基础上进行分类。其分类效果相对较差,准确率较低,且依赖性较强。针对上述问题,本文从短文本的评论转发等相关信息中挖掘具有语义相关联的语料对原文本进行扩展。在特征扩展方面,为了解决扩展信息有歧义和信息稀疏的问题,本文首先使用关键词提取算法获取短文本中的关键词生成集合,然后过滤检索得到的互联网信息,并将扩展信息与原语料进行融合。通过特征融合,既保证了原文本所要表达的信息,又解决了特征稀疏的问题。接着,本文利用权重投票组合分类器和基于AdaBoost集成学习方法对单一分类器进行了改进,并构建了 Vote-AdaBoost组合分类方法。实验结果表明Vote-AdaBoost组合分类方法与传统方法相比,准确率、召回率及F值获得了 7%左右的提高。最后,本文在特征扩展和组合分类方法的基础上,根据文本分类系统的功能需求和工作流程,设计并实现了一个简单易用的原型系统。同时,详细阐述了原型系统的核心模块,并完成了原型系统的功能测试。