随着互联网技术的日益发展,各类提供着丰富功能的应用平台迅速普及。人们在享受到便捷服务的同时,可以通过网络表达自己对各类事物的意见和看法。并且伴随网民数量的迅速增加,网络中带有用户主观信息的数据规模也呈爆炸式增长。这些主观信息对于个人的消费决策和商家的营销策略具有重大的参考价值。因此,使用文本的情感分析技术分析这些海量的数据,并从中挖掘用户的意见和价值趋向具有深远的意义和重大的研究价值。据此,本文对情感分析的各类方法进行总结和对比,并对实现情感分析任务的各个算法流程进行深入研究。结合传统传统方法和深度学习算法,对其涉及的文本向量化表示和特征提取两部分进行改进,最终提出一种有效的情感分析方法。在文本向量化表示部分,本文针对于传统基于上下文词向量模型因相似语境而弱化向量表示语义相关性的问题,融合了词向量训练优化算法、传统情感词典和迭代算法等多种策略,提出精确化文本表示模型(PTR)。该模型以传统Skip-gram模型为基础,从以下三方面对传统方法进行改进:(1)在训练词向量时,结合训练中心词的语境信息、词语自身构成信息和情感信息、文本极性信息指导原始的训练过程,获得包含更多信息的初始精确化向量;(2)依据相似性度量标准和情感词典对词或者短语级别的文本分类非常准确等特点,筛选出与中心词语义相近的近邻词,辅助后续中心词的向量精确化过程;(3)通过最小化中心词与各个近邻词之间的距离和,对初始中心词的精确化词向量进行调整,生成中心词的最终的精确化表示。最终,本文通过实验证明了PTR模型能在一定程度上缓解上述问题,可提升词向量表示的语义相关性。在文本的特征提取部分,本文依据深度学习中RNN网络善于提取文本的时序特征、CNN网络具有良好捕捉信息局部特征的能力、Self-Attention机制可以通过学习句子内部各个词之间的依赖关系捕获文本的结构信息等优点,设计了SA-RNN-CNN模型。该模型通过各个网络结构提取不同类型的文本特征,并在网络的相应层级上对各种特征进行融合,最后通过softmax分类器完成情感分类。本文设计对比实验对该模型进行验证,结果表明,SA-RNN-CNN模型对文本特征进行多类型、多层次的提取和融合的处理方式是有效的,能够提升模型的分析性能。最后,本文将情感分析技术应用于餐饮领域,设计并实现了餐馆评论情感分析系统。同时将本文提出的PTR和SA-RNN-CNN模型应用于该系统,实现了对餐馆评论文本的自动化分类。