随着互联网科技的蓬勃发展,微博微信等即时通讯工具随之出现,由于其具有简单易用,传播迅速等特点,日益成为大众日常重要的沟通交流工具,带有情感倾向的文本在网络上高速传播。因此,针对该类文本的情感分析对于产品口碑的跟踪以及社会舆情的监测等具有重要意义。新型社交媒介携带的信息相对简短,表达不规范,适应于传统长文本的分类方法不能机械的移植到短文本情感分类上。本文针对新浪微博、产品评论等短文本,以传统长文本情感分类方法为基础,探索未登录词及领域情感词的发现,基于深度信念网络(Deep Belief Network,DBN)对特征选择深度自适应学习以及基于Adaboost分类改进加强算法提高分类性能等方法弥补现有情感分析方法的不足。针对短文本特征密度低、非规范网络元素多等特点,本文主要从如下方面展开研究:(1)未登录词发现及基于规则的情感分类。该部分主要研究了基于概率统计及条件随机场进行未登录词自动发现,并利用互信息进行情感极性标注。同时利用哈工大句法分析与同义词林进行领域词发现及情感标注,最后基于改进扩展后的词典及判定规则进行情感倾向分类方法研究。(2)基于特征选择融合优化及增强的机器学习情感标注。该部分在实现基本机器学习分类方法的前提下,对比不同特征选择算法优缺点实现特征选择融合增强,引入支持向量机、逻辑回归等算法探究其对情感分类性能的影响,在实现上述方法的基础上引入Adaboost算法实现弱分类器性能的优化增强。(3)基于DBN的特征选择优化及情感标注。在DBN算法的基础上对候选特征集合进行自适应学习,运用包含上下文的语料资源利用Word2vec构建语义临近词预测模型分别实现篇章级别特征扩展以及同义词级别的特征扩展。最后对比不同方法验证特征提取质量以及分类方法的性能。本文通过对短文本情感分类方法的探究及改进,实现了未登录词的自动发现及情感词典优化扩展,能够有效的缓解文本内容简短、特征缺失等问题,并结合深度学习算法进一步提高了特征提取的质量,从而优化改进了情感分析方法的性能。