随着互联网产业的快速发展，社交网络自媒体时代的到来，微博作为一种以信息发布、互动交流为主的广播式社交网络平台，消息传播速度快范围广。对海量的微博文本的进行情感分析，挖掘用户对商品、新闻、能有效的了解用户的喜好，监控社会舆论走向，具有重要的意义。情感分析是自然语言处理领域的一项重要任务，已经成为当今热点研究方向。深度学习不同于传统的设计网络，基本不需要人工辅助，通过学习数据的浅层属性和特征，总结规律通过多多层级的处理网络，逐步提取到数据的深层特征，所以基于深度学习的方法已经成为目前文本情感分析的主流方法。目前的微博文本情感分析方法大多缺乏对文本主题特征的关注，而对于短文本而言，增加对与主题相关特征的关注度，可以更好地挖掘主题信息。
　　针对以上问题，本文提出一种基于主题特征和双向GRU网络的情感分类模型来进行微博文本情感分析，进行训练和测试，并获得较好的效果，在情感分类效果和分类速度上都有有效提高。针对关注文本主题特征对情感极性的影响，综合考虑作者主题特征和主题词汇特征的重要程度，引入注意力机制，构建基于注意力机制的双向GRU情感分类模型(ATT-BiGRU)，通过对比实验，证明注意力机制有效地提高了模型的分类效果。针对不同的情感分析任务，利用不同的主题模型，考虑不同任务中主题模型的作用，从而进行建模，通过参数调整来改善分类效果。
　　实验表明，本文的方法具有一定的有效性和可行性，在微博的情感分析任务上表现出良好的效果。