文本情绪分类领域面临中文文本分类较少的困境,同时已有的情绪分类任务大部分以情感极性分类为主,并不会对中文文本进行细粒度的情绪划分,导致缺乏专门的中文情绪分类语料库。而在中文文本情绪分类领域特征提取方面,存在文本特征提取困难、上下文联系信息难以获取和局部特征提取不够全面等问题。本文针对上述问题,在中文文本情绪分类任务中引入深度学习算法开展研究,取得了不错的分类效果。本文首先提出了一种中文文本情绪分类技术框架。因为大部分情绪分类任务以情感极性分类为主,并不会对中文文本进行细粒度的情绪划分,导致缺乏专门的中文情绪分类语料库,难以构建适合中文情绪分类的词汇表。针对此问题,本文选取的数据集为划分四类的细粒度情绪数据集,并对其进行可视化分析,选择合适的中文分词算法进行分词,最后构建适合中文情绪分类的词汇表。针对中文文本情绪分类领域文本特征提取困难、上下文联系信息难以获取和局部特征提取不够全面等问题,对比了多种词向量表示方法,最终选择Word2vec表示词向量,利用词向量本身所具有语义特征和语法解释性,并对生成的词向量进行文本特征选取,选择了适合中文文本情绪分类任务的特征向量。之后在传统卷积神经网络的基础上,结合注意力机制,设计实现了结合注意力机制的多核卷积神经网络中文文本情绪分类算法（AM-CNN）,该算法核心是在卷积和池化部分使用多种不同尺寸卷积核来分别卷积池化后再进行组合的方式来解决单层卷积提取局部文本特征信息不完善、多层卷积结构提取的文本特征造成信息缺失的问题。对比实验结果表明了结合注意力机制的多核卷积神经网络中文文本情绪分类算法在中文文本情绪分类领域的有效性,分类精确率和召回率分别达到了0.8527和0.8491。接着效仿卷积神经网络在图像处理领域RGB三通道输入的方式,在本文提出的结合注意力机制的多核卷积神经网络中文文本情绪分类算法的基础上进行改进,设计并实现了双通道多核卷积神经网络中文文本情绪分类算法（DM-CNN）,该算法的双通道特征提取方法结合Word2vec与注意力机制,使得卷积部分能够根据注意力权值进行卷积操作,从而改善上下文联系信息难以获取的问题。实验结果表明了改进后的双通道多核卷积神经网络中文文本情绪分类算法的精确率达到了0.8647,优于改进前AM-CNN算法。然后针对数据集样本不均衡问题,在双通道多核卷积神经网络中文文本情绪分类算法上设计并实现了不均衡数据集和均衡数据集的对比实验,实验结果表明在均衡数据集上的分类精确率为0.8713,优于在不均衡数据集上的分类效果。最后,针对深度学习算法通常都会遇到梯度消失、分类结果过拟合等问题,在网络结构中添加Dropout层。同时在DM-CNN模型上对比了三种优化器,分别为Adam优化算法、随机梯度下降法和RAdam优化算法,通过结果分析选取RAdam优化算法作为优化器添加到模型,避免了过拟合和梯度消失等问题。