当前知名国内外公司麾下的社交网络上,每天都有大量的活跃用户,不断地产生新的内容,积累了大量的数据。新浪微博作为国内门户网站中第一家提供微博服务的网站,提供基于兴趣、信息、内容的关注和交流,是重要的舆情传播渠道。微博中的大部分数据以文本为主,体现了用户对特定社会事件或事物的观点和感受,表达了用户的感情倾向。新冠肺炎对于作为一次波及全球的重大突发公共卫生事件,事关全人类的生产和生活,对于社会的稳定和发展具有重要影响,也对我国的社会治理体系提出了前所未有的挑战。在疫情防控这场没有硝烟的战争中,微博作为政务新媒体的重要组成部分,是疫情公开信息发布的重要渠道。分析微博上舆情文本的情感倾向,对于了解重要时刻人民群众的实时情绪、人心所向具有重要指导意义,可用于发现问题、分析原因并疏导情绪,同时也能为政府部门制定相应措施提供方向。本文综合理论分析和实证分析,首先对自然语言处理和情感分类领域中应用模型的主流发展方向进行了介绍,梳理推导了常用的理论与技术。在实证环节,本文基于北京市经济和信息化局、CCF大数据专家委员会及中国中文信息学会信息检索专业委员会于2020年初举办的“疫情期间网民情绪识别”竞赛中的10万条人工标注数据,利用正则表达式和jieba分词工具进行了数据清洗,接着应用可视化手段和jieba中相应工具对疫情初次爆发时的舆情分布特征、趋势变化和关键词进行了数据探索。依照自然语言处理任务中机器学习模型、深度学习网络和预训练模型这一发展方向,本文在CPU环境下对比了逻辑回归、双向LSTM网络、百度开源的ERNIE模型在实验数据集上的训练效果。本文的数据探索结果对分析疫情初次爆发时舆情特征有所启发。基于本文模型预测的逐步优化过程和最终结果,ERNIE中文语义预训练模型的效果好于自然语言处理领域的传统深度学习网络,而深度学习网络又优于普通机器学习模型。