随着社交平台的日益普及,微博因其文字短小、传播速度快受到了广大网友的喜爱,微博文本中蕴含的海量信息也从商业、政治、娱乐等不同方面带来了巨大价值,从而引发了学者们对微博文本的情感分析技术的深入研究。如何在控制成本、保证分类效果的前提下,对微博文本进行高质量的情感分析,是一直以来的研究热点。本文立足于无监督学习,将传统的主题模型与微博文本复杂的各项特征相结合,提出有效的主题情感模型,从而对微博文本进行情感分析。首先,针对JST(Joint Sentiment/Topic model)模型在中文微博情感分析领域建模时微博特征缺失的问题,在模型中引入了表情符号和用户性格情绪特征,通过情感先验的方式引入了表情符号对微博文本情感的影响,并对文本中表情符号的分布进行建模;依据“情感一致性”理论提出了一种基于时间的用户性格情绪特征建模方法,将用户性格情绪特征纳入主题模型中,然后在此基础上提出了基于用户性格情绪参数的改进主题情感模型(Joint Sentiment/Topic model based on User Character,UC-JST),通过实验验证了模型的可行性和有效性。然后,针对ASUM(Aspect and Sentiment Unification Model)模型在中文微博情感分析领域建模时忽略上下文语义的问题,在模型中引入中文语义规则中常用的四种句间关系“转折、假设、递进、因果”,将每种关系转换成句间关系向量来反映情感变化,从而进行情感建模;考虑转发微博和原创微博讨论的主题相关性以及潜在的语义关联性,利用微博转发符号对微博的主题进行建模,在此基础上提出了基于中文语义规则的改进主题情感模型(Aspect and Sentiment Unification Model based on Semantic Rules,SR-ASUM)模型,对其有效性进行了实验验证。最后,将UC-JST模型中的表情符号、性格情绪参数和SR-ASUM模型中的转发符号、中文语义规则相结合,并针对JST模型的强假设“文档中的每一个词语都有不同的主题和情感”和ASUM模型的强假设“句子中的每一个词语都具有相同的情感和主题”的不足,提出了弱假设“分句中的每一个词语都具有相同的情感和主题”,在此假设的基础上提出了基于多特征融合的主题情感模型(Weibo Sentiment Topic model based on Muitiple Features,WSTMF),融合了典型的中文微博特征,最终通过实验验证了WSTMF模型具有较好的情感分类效果。