投资者的情绪会对股票的价格走势与波动产生影响。因此,挖掘投资者情绪和股票价格之间的关系,对于股票投资策略的选择具有一定的指导意义。论文基于采集的股票评论信息以及历史股票价格信息,探讨了投资者情绪的评分、投资者情绪与股票价格时序数据间的特征提取以及股票价格走势的预测等问题。（1）提出了两极假设情绪评分算法。该算法结合了Bi-LSTM和Semi-CRF的分词方法以及co-LSTM的情绪分析方法。针对某句投资者评论信息,通过情绪分析方法的预测结果,分词方法产生的消极、积极情绪词汇统计的评分结果,使两类评分作为情绪类别的样本值,情绪分析方法的预测准确率作为情绪类别的样本概率,引入二项分布期望方法,则二项分布期望值为整句评论的最终评分结果。实验表明,在随机抽取的500条股票领域的文本评论上,本文提出的评分算法与中文开源情绪评分方法在情绪倾向分类上相比,准确率提高了14.3%。（2）提出了一种针对股票价格预测模型的数据集特征提取方法—MD-DCCA。该方法通过对情绪与股票价格时序序列的关联性分析,提取不同影响期下两种序列间产生相关性的概率,并最终通过该概率获取有效投资者情绪对股票价格的影响期,为股票价格与投资者情绪的数据集特征提取提供依据。实验表明,MD-DCCA在原始数据集上,相比于不使用该方法时,最终实验精确度提高了15.1%。另外,基于所提出的情绪评分和特征提取方法,建立了股票涨跌预测的LSTM模型,在所采集的200支股票数据集上,取得了较好的效果。