互联网的高速发展,特别是Web2.0技术的突飞猛进,使得用户成为互联网的制造者和管理者。微博,作为一种新型的社交网络平台备受用户的青睐,日益走进了普通网民的生活。用户通过微博平台分享观点,表达自己的体验和情感,这种方式产生的带有情感色彩和情感倾向的文本信息呈指数级增长。通过对这些带有主观色彩的微博进行情感极性分析研究,来了解大众的情感指数和对某件事情或产品的看法,有助于舆情监控、事件预测和商业竞争情报分析等应用的实现。目前,已有学者在微博情感极性分析研究领域做出了许多探索,但大多数集中在英文微博上,由于中文微博存在长度较短、主题广泛、表达口语化的特点以及微博数据量巨大不易标注。基于此,本文通过探索新的研究思路和方法,对中文微博情感极性分析展开进一步研究,主要工作内容及创新点如下:1)针对中文微博情感极性分析面临特征缺乏和稀疏的问题,本文提出了一种综合多元词汇特征和8项微博语义相关特征的中文微博情感特征提取方法。在提取情感表情和微博句子组成规则特征的过程中,考虑到通过人工标注的方式来判断微博组成句子的情感极性所需的工作强度大的问题,本文设计并实现了基于情感词典的子句情感极性判断算法,以提高了语料库特征提取的速度,并提出了基于图传播的微博领域情感词典的构建方法来解决现有的开源情感词典在微博情感极性判别时效果不佳的问题。实验结果表明,本文的特征提取方法有效地提高了微博情感极性分类的性能。2)针对中文微博数据规模巨大且已标注数据缺乏的问题,本文提出了基于主动学习的中文微博情感极性分类算法,通过融合不确定性选择策略和置信度最高的样本选择策略来挑选最具信息量的未标注微博样本以扩大训练集规模,同时将长短期记忆(Long Short Term Memory,LSTM)模型作为主动学习算法的基分类器,以研究将深度学习算法应用到主动学习算法中的有效性。实验结果表明,本文的主动学习算法能有效地利用未标注微博样本中的情感信息,取得了较好的情感极性分类效果。3)针对仅依靠基于向量空间模型的词法特征对中文微博进行情感极性分类时存在准确率不高的问题,本文设计了一种松散条件下的协同学习算法来集成基于词向量的微博情感极性分类方法,以达到有效利用微博语义相关特征的目的。该方法采用支持向量机(Support Vector Machine,SVM)和LSTM作为协同学习算法的两个基分类器,并在学习过程中融合了主动学习算法的不确定样本选择策略,最后通过投票策略来决定微博的最终情感极性,通过实验验证了本文松散条件下的协同学习算法能有效地提高中文微博情感极性分类的准确率。4)针对当前微博情感极性分类领域缺少一个基于主动学习和协同学习的通用分类系统,本文设计并实现了一个基于主动学习和协同学习的中文微博情感极性分类原型系统。该系统实现了从文本预处理,特征提取到模型训练和极性预测的整套流程的自动化处理,为以后的微博情感极性分类研究工作的开展奠定了基础。最后在该系统上进行了微博情感极性分类实验,验证了本系统的实用性和易用性。