随着互联网的快速发展,各类社交平台为互联网人群提供对某领域或者主题发表个人倾向观点的渠道,而这些社交平台对文本长度有一定限制,由此产生了大量来自社交平台的短文本情感信息。通过对这些短文本进行采集、处理、分析等方式可以预测其情感极性,并且经常被用于指导舆情分析、商业决策等。因此对这些社交短文本进行情感分析有着特殊的研究价值。本文研究基于深度学习的社交短文本情感分析方法,主要工作包括以下几个方面:（1）研究了情感词性对于文本情感分类任务的贡献,引入词性贡献因子并通过实验确定贡献系数,然后基于此提出针对情感分类任务的TF-IDF的改进算法TF-IDF-EW,该算法能够融合词性贡献和传统TF-IDF的优点,并计算文本中词汇的贡献权重。并且在该算法的基础上,加权Word2Vec词向量形成一种新的针对情感分析的短文本向量表示方法。（2）针对现有短文本向量表示法的缺陷,借助Word2Vec模型的特殊性和优点,结合（1）提出一种基于词性嵌入的BiLSTM-ATT情感分类模型:WTE-BiLSTM-ATT,该模型将Word2Vec模型与（1）中改进算法TF-IDF-EW结合,利用Word2Vec生成词向量然后与TF-IDF-EW进行加权计算得到融合词性贡献的词向量,然后通过BiLSTM层捕获上下文信息,并引入注意力机制,从而得到情感特征。对比实验结果表明该方法对情感二分类效果有提升,也验证了模型的有效性。（3）由于在社交短文本自身富含网络词、文本口语化、情感倾向强等特点下,其在细粒度情感分类上需求更复杂,性能要求更高,对此引入BERT对文本进行表达。首先构建了结合社交短文本特点的浅层特征的情感语言集,然后结合句法和语义的深层特征提出基于BERT的双通道情感分类模型（DC-BERT-ATT）,该模型包含输入层、特征提取层、特征融合层和输出层,在结构上由两个信息处理通道组成:一侧为BERT-BiGRU-ATT通道,一侧为经过BERT微调输出层的BERT-FT-CNN通道。两个通道分别对深、浅层特征进行捕获,最后通过拼接获得情感特征。该模型通过参数实验找到最优值,其能有效的结合浅层特征的情感语言集和深层特征的句法和语义信息,并且通过模型对比实验在细粒度多分类实验取得最优效果,验证了该模型的有效性。