随着网络各种社交、购物平台的快速发展,智能手机的普及,越来越多文本数据的产生,推动了对文本情感分析的研究与发展。快餐式的生活,阻碍了人与人之间的交流,更加大了老师和学生之间的代沟和沟通障碍。有心理问题学生逐年增多。学生习惯于做一些网络言论,在微信、QQ或微博中抒发自己的感情。老师可以通过收集学生发出的言论进行分析,更好的了解学生内心世界及情感倾向,能及时的发现学生的一些问题,给出及时的疏导,避免问题向极端性发展。传统的机器学习方法因手工方式进行特征筛选和构造并不能满足现代的人需求。本文对国内外情感分析进行了研究,结合中文的特点提出“基于深度学习的中文文本情感分类研究及应用”。本论文深入研究和分析了卷积神经网络、循环神经网络,并深入研究和分析了经典的神经网络模型和算法,比如ADAM算法,批量梯度下降算法、随机梯度下降算法、小批量梯度下降算法三种梯度下降算法、动量优化算法等。本文在以上研究基础上,取得研究成果如下:1.针对模型性能仍有提升空间,受图像处理领域常用方法的启发,将原始字符级卷积神经网络与局部响应归一化(LRN)层进行结合,建立Char-CNN-LRN模型。使用LRN规范化层进行优化,实现学生情感分析等多种分类算法。与基础模型Char-CNN方法对比,从第四章的实验结果可以看出,规范化字符级卷积神经网络分类模型的性能获得了一定程度的提升。2.针对卷积算法中权重w与偏置b由随机函数生成,可能会对模型的准确性乃至收敛效率造成影响,提出并行卷积处理的方法。在上一步研究的基础上建立规范化字符级并行卷积神经网络模型分类模型(Char-Du CNN-LRN)。将所有卷积计算并行进行,而后对结果进行加权求和,从而达到模型优化的目的。从实验结果中可以看出,模型收敛速率明显提升。将提出的Char-Du CNN-LRN模型与当前流行的Linear model、Fast Text等模型对比实验,结果均有不同程度的提升,说明了模型的有效性与优越性。3.本论文将提出的规范化字符级并行卷积神经网络模型分类算法应用于学生情感分析,设计了学生情感分析系统,该系统能够实现对学生情感分析、语料库查询及后台数据库运维。测试结果显示,达到了预期的效果。