目的本文以基于微博的情感分析为研究方向,采用词典与机器学习相结合的方式,提出一种多特征的情感分析方法,以求更客观真实地呈现用户情感,进一步提高微博情感分析的准确率。方法通过对国内外针对情感分析特征选择的研究和情感分析方法的研究,结合微博平台和微博文本内容的特点,完成主题特征、行为特征、文本特征三个特征指标的选取。采用LDA主题识别模型、ROST内容挖掘系统对文本数据的主题特征情感值进行计算,通过微博影响力和点赞数完成行为特征情感值的计算,同时对相关情感词典进行重构与扩充,将其作为情感常量知识库,完成文本特征情感值的计算,进而构建特征集合矩阵。最后,选取机器学习模型训练特征集合矩阵,并引入集成学习的思想,通过多投票算法整合分类结果,选取微博中某一突发事件的微博文本内容为研究对象,进行情感极性的划分。通过准确率、精确率、召回率和F1值对本文所提方法的有效性进行评价。结果（1）在数据获取结果部分,本文依据选定的目标事件,获取微博平台上关于该事件的文本数据,共爬取微博文本数据24904条。（2）在模型构建部分,根据选定的多特征指标,分别计算纳入的主题特征指标情感值,微博影响力和点赞行为特征指标情感值以及文档级、句子级和词语级三层文本特征指标情感值,并以此构建特征集合矩阵。（3）在结果对比部分,将本文选用的SVM、KNN、BP神经网络、随机森林、XGBoost五种机器学习分类方法的识别效果分别进行比较,可知XGBoost模型的准确率为84.52%,精确率为82.57%,召回率为76.95%,F1值为79.66%,在各模型中表现出了较好效果。将纳入单一主题、行为、文本特征的情感分析方法,和纳入了两部分特征的主题+文本特征、行为+文本特征的情感分析方法与本文所提的多特征情感分析方法进行对比,多特征情感分析方法准确率为84.52%、精确率为82.57%、召回率为76.95%、综合指标F1值为79.66%,均优于其他纳入不同特征的情感分析方法的情感极性划分效果。经过多投票算法进行结果整合后的多特征情感分析方法在情感分类结果的准确率、精确率、召回率及F1值等各指标值最高,模型表现出良好的效果。其中,准确率为94.88%,精确率为96.35%,召回率为94.50%,F1值为95.42%,在对文本数据情感极性划分的结果最好。而未整合的多特征情感分析与本文所选用的基线方法——朴素贝叶斯情感分析模型进行对比,也表现出了较为明显的优势。由此可以证明,本文所提出的多特征情感分析方法具有一定的有效性。结论（1）根据微博平台的特点,结合情绪感染理论、网络集群行为等理论,选取了主题特征、行为特征、文本特征多特征指标,提出了一种针对微博文本的多特征情感分析方法,使其能够更好地适应以微博为代表的在线社交媒体平台的情感分析模式。选取微博上的突发事件进行情感分析实证研究,通过将多特征情感分析方法与基线以及纳入不同特征的情感分析方法进行对比,本文所提方法情感极性分类效果较好,证明了本文方法的有效性和优越性。（2）情感分析方法部分采用情感词典与机器学习方法相结合的方法,不同于传统的结合方式,本文通过情感词典的重构和扩充,将情感词典作为情感常量知识库,作为文本特征指标筛选和情感值计算的依据,实现了情感词典和机器学习方法的有机结合。为之后的情感分析方法研究提供了一定的参考。