由于微博能够收集当前值得关注的事件,是一个拥有众多参与者和大量信息的社会网络平台,大众可以通过这个平台来表达他们的观点,因此受到广泛使用,并逐渐在更广泛的社会媒体领域获得了重要地位。微博评论往往是高维度的,语义稀疏,通常包含强烈的情感,对其数据进行情绪整合工作将会对网络安全管控产生重要影响。通过对某一事件的微博评论的情绪分析,可以清楚地了解人们对该事件的情绪。在文本情绪分类任务中,目前常用的三种方法分别是基于传统的情绪词典、基于机器学习和基于深度学习。但是基于传统词典和机器学习方式过分依靠人工方式建立词典和特征依赖,因此本文选择深度学习方法,它更能关注到文本的上下文信息以及深层网络训练的问题,并且准确率比前两种方法提升明显。然而,在解决情绪分类问题时,卷积神经网络、循环神经网络及其变体等方式面临一些挑战,例如,单一模型很难获得较高的准确度,并且赋予词语同样的权重等问题。从它们的内部结构和优缺点出发,本文主要研究工作如下:（1）针对常见的文本情绪分类任务将情绪分为“正向”、“负向”和“中立”,本文为了更加准确地对微博文本进行情绪分析,通过对其进行更加细致的划分,将文本情感进一步分成七个情绪类别,包括开心、伤感、震惊等,以便更好地对其进行情绪分析,进而实现更好的应用。（2）针对当前文本情绪分类模型中所面临的诸多挑战,例如上下文信息关联性差、信息缺失等,本文将改进的Transformer模型应用于情绪分类任务中。首先,将Minikeys变量加入Transformer的多头注意力机制中,可以避免数据稀疏的问题,同时也可以减少梯度消失和梯度爆炸,同时使用IN标准化方法使模型训练更加符合自然认知,进而提取全文特征信息;然后利用Text CNN进行卷积池化操作提取特征,通过激活函数获取相邻文本的局部特征,将其与引入Minikeys变量的Transformer捕获到的全文特征信息进行融合,输入全连接层,进而实现情绪分类,有效的提高了微博文本的分类准确率,模型分类的准确率相较于未改进的Transformer-Text CNN提升了2.79%。（3）由于在模型训练中,Batchsize、Epoch和Dropout的设定是非常重要的,直接影响模型的性能,因此本文设置多组参数对比实验,以选出最优的参数值,获得最佳的模型准确率,经过实验,三者的值分别设置为48,20和0.5,实验效果最佳。