随着互联网和信息行业的迅速发展,微博、推特等网络平台上涌现出大量的含有情感倾向的观点、意见以及评论等文本信息,挖掘其中所蕴含的情感极性(积极或消极),对用户选购商品、商家优化产品、政府实时了解社会舆论等具有重要的价值和意义。然而,转折句的普遍存在和标签数据的缺失都给已有的研究方法带来了极大的挑战。本文基于深度学习模型,围绕文本数据的情感分类问题,重点针对上述两个挑战问题展开研究。本文利用深度学习方法展开研究,主要工作如下:(1)对情感分类、跨领域情感分类及深度学习模型进行了综述,包括其定义、相关理论、研究背景、以及研究现状。(2)针对已有的情感分类方法难以准确预测含有转折语义的句子情感问题,提出了分段池化的卷积神经网络模型(PPCNN)。依据转折词在句子中的位置对卷积结果进行分段,而后利用最大池化提取局部段的重要特征,最后利用Dropout方法和softmax分类器进行情感分类。该方法能从多个不同的情感表示角度提取出多个重要特征,且能够保留特征的相对顺序。实验结果表明了方法对转折句情感分类的有效性。(3)针对情感分类中海量数据标记信息昂贵问题,研究跨领域的情感分类方法,提出了基于word2vec的跨领域情感分类方法(WEEF)。该方法选取高质量的领域共现特征,并以这些特征作为种子,基于词向量的相似度计算,将领域专有特征扩充到这些种子中,形成特征簇,从而减小领域间的差异。实验结果表明方法的有效性。