随着互联网技术的飞速发展和电子商务的不断完善,越来越多的用户开始在电商平台上分享自己对产品的评论和看法,由此产生了海量的产品评论文本,对这些产品评论数据进行情感分类含有很高的商业价值和研究意义。但是,不同语言的情感资源在质量和数量上分布不均匀,无法更好地对情感资源不足的语言进行情感分类,而很多小语种仍然有着进行情感分类的需求和研究意义。因此,研究者借助于英语等语言的标注数据和情感资源帮助其他资源匮乏的语言进行跨语言情感分类。在跨语言情感分类研究中,传统的方法是借助于平行语料库或者机器翻译来进行两种语言之间的关联。但是,情感表达在不同语言之间存在很大差异造成翻译系统自身出现翻译错误,机器翻译并不能很好地解决语言差异的问题,同时大量质量较高的平行语料库在很多的实际环境中很难获取。针对这一问题,本文以用户产品评论为分析对象,通过建立与两种语言独立的共享空间来进行跨语言情感分类,实现对产品评论情感倾向性的判断。主要研究内容如下:（1）提出一种基于共享空间的跨语言情感分类方法。借助TF-IDF和LDA算法建立双语词典,在进行跨语言语义转换的同时,借助褒贬义词典学习极性信息,学习一种与两种语言独立的共享空间,在共享空间上可以将不同极性的情感词进行很好的区分。为验证方法的有效性,本文选择亚马逊网站三个领域的用户产品评论展开实验,在NLP&&CC2013跨语言情感分类数据集上的实验结果表明,该方法可以有效提升在目标语言上的分类效果。（2）在进行跨语言情感分类时,文本中不同的部分对文本的情感贡献度不同,本文提出一种结合注意力机制和情感特征的跨语言情感分类方法（CLSA）。将包含情感词的上下文单独提取获得情感特征,结合注意力机制使文本更关注于对情感贡献重要的部分,最后将获得的情感特征融入GRU模型,结合提取的情感语义信息获取情感注意力并进行文本的表示,在共享空间上进行最终的跨语言情感分类。通过实验结果得出,本文提出的跨语言情感分类方法与其他方法在同一数据集进行实验对比具有较高的准确率,优于其他主流算法,证明了方法在解决跨语言情感分类任务的有效性。