当今人工智能、大数据等新兴技术的发展,使得智能化、大数据化的发展趋势更加迅猛。将此类技术应用于社会各个方面,将能创造大量的价值。人们已经习惯于通过网络发表自己的意见和看法。而采用基于深度学习的情感分析（Sentiment Analysis）方法能获取海量网络评价文本中有效的情感语义信息。从而使各种社交网络平台、电子商务公司、政府机构能有效地对社会大众进行新闻推荐、购物导航、舆论调查等人性化的服务。因此,就有必要通过提出有效的文本情感分析方法来构建网络模型,以确保文本情感分析的准确性和有效性。本文主要的工作如下:（1）针对传统中文评价文本情感分类较少关注深层情感语义信息的问题,提出一种多重注意力特征融合的方法并构建了情感分类模型MTA-CBG（Multi-Attention Convolution-Bi GRU）。传统词向量对于中文文本一词多义的特点不能有效解决,本文通过自注意力（Self-Attention）词向量矩阵的构建来关联词语间的特征。构建了多尺度宽卷积结构（Multi-scale Wide Convolution,MWC）对局部特征进行全面的提取,并将两种类型的特征进行融合。通过双向门限循环单元（Bidirectional Gated Recurrent Unit,Bi GRU）对文本序列化特征进行学习,在提取更广泛文本特征的同时解决长距离依赖问题。最后通过构建的高速注意力层（Attention-Highway）对句子级特征进行关联,从而提取深层的文本语义情感特征。经多组实验比较分析证实了本文所提方法及所构建的模型提升了中文评价文本情感分类的F1值和准确率。（2）针对传统的文本向量表示方法在中文文本情感分类任务中进行运用时,不能对其中所内含的情感语义信息进行完整的表征的问题,构建了中文情感分类模型名为多粒度卷积胶囊神经网络（Multi-Granularity Convolution Capsule Network Model,MGC-CAP）。在情感分类任务中,通常将通过语言模型训练得到的文本向量表示作为模型的输入。针对单一语言模型不能全面抽象出中文评价文本特征的问题,提出一种基于预训练语言模型BERT（Bidirectional Encoder Representations from Transformers）的文本多粒度表示方法。本文基于传统分布式表示方法（Distributed Representation）训练得到Word2vec粗粒度的词向量,并采用微调训练BERT预训练模型的方法输出细粒度的字向量。将文本不同粒度的向量表示通过嵌入层后分别输入了改进的多通道的卷积胶囊神经网络。传统卷积神经网络（Convolutional Neural Network,CNN）采用最大池化策略对特征进一步提取。但该操作易忽略文本其他重要特征而仅选择最显著特征,造成文本中部分深层情感语义信息的丢失。因此本文在卷积层后构建了胶囊层来对文本底层特征和高层特征进行关联,并运用动态路由算法（Dynamic Routing Algorithm）对特征信息进行合理地筛选,构建整体的文本情感语义。在多组中文评价文本数据集上进行实验,对本文所提改进方法和构建的模型在中文情感分类任务上的有效性进行了验证。