随着互联网技术的迅猛发展以及互联网应用的不断普及,互联网已经成为越来越多的人们获取信息的重要来源,同时成为人们表达自己观点的平台,由此产生巨大的情绪数据。与此同时,随着经济的全球化和贸易的国际化的进一步发展,跨语言的交流越来越频繁。在此情形下,如何对互联网上产生的大量情感数据,利用带标记的资源丰富的英语语料库作为源语言,对没有标记的目标语言(汉语)评论进行跨语言情感分析研究,成为目前研究的热点问题。本文对基于特征迁移的跨语言情感分析技术进行了深入的研究,对跨语言结构对应学习算法进行改进,提出了PCL-SCL算法,主要工作如下:1)在已有的跨语言情感分析技术的基础上,将特征迁移学习与情感分析相结合,即通过源域和目标域之间潜在的关系,找到特征表示。采用特征迁移学习,构建对不同语言、不同分布知识的新框架,其主要优势是对目标域是否带标记及数据是否同分布要求不高。2)由于训练过程中存在着影响公式的因素,因此,引入弹性网正则化参数,将L1正则化和L2正则化的处罚函数结合起来形成线性回归方法,使得训练得到稀疏矩阵更加权衡分组与稀疏之间的相关性,从而减少冗余,降低维数。3)通过改进跨语言结构对应学习算法,引入对矩阵求解特征值的方法,得到映射函数,应用到目标域中的每个输入参数,然后通过评估函数,对改进的跨语言结构对应学习(PCL-SCL)算法的质量进行评估,计算准确率。实验结果表明,与跨语言结构对应学习算法相比较,在同一数据集上,准确率相对较高,具有一定的优越性。