短文本情感分类一直是信息处理领域中极具挑战性的问题。与文档级别的文本不同,短文本由于其自身的诸多特性:（1）短文本包含有限的上下文语境,并且语义表达往往不完整;（2）许多用户生成文本（UGC）如搜索查询,微博等短文本,并不总是很好地遵循书面语言的语法^[1]。造成传统机器学习方法对其分析效果不是很理想。传统机器学习模型一般通过向量空间模型对短文本进行表示,通过文本特征扩展对分类效果进行优化,以此提高对短文本分类的效果^[2-3]。但由于短文本一般都是句子级别的文本,大多存在语料简短,数据稀疏等问题,传统机器学习的性能往往表现一般。因此,本文采用深度学习的方法对短文本进行情感分析。本文的研究内容概括如下:（1）通过对当前短文本情感分析领域的前沿发展分析可知,基于深度学习的方法以其特征的自学习特性,在短文本情感分析问题上表现良好。本文在现有基于深度学习的短文本情感分析的研究基础上,我们研究发现:1)一部分短文本中包含一个或多个与该短文本实际表达的情感不一致或差异较大的词,我们称之为“干扰词”。这种“干扰词”在一定程度上干扰深度模型的判断,导致深度模型错误率提高。这些“干扰词”包括:未登录词的干扰、一词多义的干扰、描述对象的干扰。2)一部分短文本中存在长距离的特殊词语搭配结构时,深度模型对该种搭配结构特征捕捉能力低下,导致深度模型的分辨能力降低。在本文的工作中,我们针对深度模型存在“干扰词”和“长距离的特殊词语搭配结构”时表现不足的问题,深入探究了产生的原因。（2）针对以上两个问题,我们提出了一种融合双层注意力机制的短文本情感分析方法。该模型在第一层首先提取短文本的局部特征和长距离依赖特征,随后采用注意力机制分别自动化筛选两种特征中的有用信息,从而更加有效地过滤无关特征。然后在第二层,使用基于注意力机制的双向循环神经网络对局部特征和长距离依赖特征进行非线性组合,在增强模型表现力的同时,可以自动捕获更多相关的特征组合。最终输出层根据以上特征得到情感的分类标签。我们在MR、SST-1和SST-2数据集上评估了模型的性能。实验结果表明,我们的模型可以超过以前的方法。