进入21世纪以来,情感分析已经发展成为自然语言处理（NLP）中最活跃的研究领域之一。在数据挖掘、网络挖掘、文本挖掘和信息检索方面也有广泛的研究。事实上,它已经从计算机科学扩散到管理科学和社会科学,如市场营销、金融、政治科学、通信、医学,甚至历史。由于其重要的商业性,引起了全社会的关注。之所以如此泛滥,是因为观点是事实的中心。几乎所有的人类活动,在相当程度上都会关心别人的看法。因此,每当我们需要做出决定时,我们总是会寻找他人的意见。不仅对企业如此,对个人也是如此。而在快速发展的中国社交网络中,由于汉字的繁杂,如何揭示文字背后隐藏的情感,仍然是一个难题。如今,随着中文社交网络的迅速发展,微博已成为人们表达自我的重要途径,尤其受到了广大年轻用户的欢迎。与普通中文文本相比,微博文本具有独特的风格,不仅包含更多的网络单词和字符表达,而且具有大量的“同一单词的不同含义”,这给情感分析带来了巨大的挑战。传统的微博文本情感分析方法大多采用情感词典来判断微博文本的情感极性,利用字典中的同义词和反义词以及字典的结构层次来计算词与正反种子词之间的语义相似度,并根据语义距离对词的情感进行分类,情感词典也可用于分析微博文本中单词的情感,获得并累积单词的情感强度,从而获得微博文本整体的情感极性。但是,基于字典的情感分析和传统的机器学习方法存在很多不足。首先,在特征提取中,非情感性的停顿词会影响文本的情感得分。第二,由于汉语的广泛性和深刻性,更多的语音部分成为影响模型准确性的重要因素,一种情况是同一个词在不同的语境中可以表示完全相反的情感含义。第三,由于情感表达在不同的领域有很大的差异,无论是有监督学习方法还是无监督学习方法,情感分类都面临着领域依赖性的问题。近年来,随着深度学习的发展,越来越多的研究人员将深度学习应用于微博文本分析任务。本研究是一种深度学习混合模型在微博情感极性分析中的应用,是解决上述问题的新举措。考虑到BERT预训练语言模型在中文微博文本情感分析等下游领域中适应性不足的问题,本文结合预训练语言模型BERT和LSTM-CNN-Attention（LCA）方法分析微博文本的情感极性,设计了微博文本情感分析模型BERT-LCA。该模型所包含的模块有:（1）利用BERT预训练语言模型获得微博文本的动态特征表示,该模型充分利用了句子中单词的上下文信息,从而使句子中的同一单词在不同上下文中具有不同的单词向量表达;（2）RNN可以对整个序列进行建模,并捕捉长期依赖性;（3）CNN可以很好地提取局部特征和位置不变特征,充分考虑文本中的局部特征信息和上下文语义关联,从而进一步提高了模型在微博文本情感分析任务中的准确性。（4）注意力机制能够同时提取文本的全局语义信息和局部特征,并根据类别标签关注局部特征,区分局部特征在句子中的重要性,找到词的真实含义。本文设计的BERT-LCA模型应用在目前公开的单标记中文微博文本数据集中,在对simplifyweibo4mood和weibosenti100k两种公开数据集进行数据清理后,设计了BERT-LCA混合模型和基于传统机器学习SVM分类方法、原生BERT、基于BERT预训练的CNN模型和BiLSTM模型的对比试验,实验结果的F1指标优于传统基于字典和机器学习的中文情感分析模型,部分的实验结果达到或超过用于进行对比的原生中文BERT模型,BERT-CNN模型和BERT-BiLSTM模型。证明该模型在单标记中文微博文本的情感极性分析任务中能够较好的提取文本的特征信息并进行有效分类。之后对于BERT-LCA模型在不同的batch、训练层数、学习率以及是否利用注意力机制下的准确度进行了对比试验分析,得出了在最优化的参数列表,接下来利用Mish作为激活函数,设计了BERT-LCA的改进方案,BERT-LCA-M,取得了一定的性能提升。下一步工作将考虑使用ALBERT等轻量级的Transformer模型,提升训练效率,并融合LCA模型的各层特征信息,而不仅使用注意力和卷积的表示方法,从而提升模型的准确度。