近年来,互联网技术的飞速提升,为海量的网络信息平台的发展提供了可能。与此同时,人们接收和发布信息的门槛也大幅度变低了。新浪微博作为国内最热门的网络舆论平台之一,每天产生千万甚至上亿级别的由公众发表的信息。这些信息可能是民众的主观情感抒发,也可能是客观观念的分享。发生突发公共卫生事件时,人们对此的关注程度可使相关话题热度居高不下。对相关话题的微博文本进行情感分析并挖掘其中蕴含的公众情感有利于相关部门了解事件的舆情走向。现今社会进入大数据时代,一方面,基于情感词典的文本情感分析方法与当前研究内容已不甚相符;另一方面,基于传统机器学习的文本情感分析方法面对海量数据效率低下。自然语言处理领域就对已深度学习为基础的的文本情感分析方法投入了更多的关注目光。卷积神经网络（CNN）和循环神经网络（RNN）凭借各自的优势,不断优化,在该领域内慢慢成为主流方法。但是,目前通过CNN与RNN两种神经网络的深度学习方法,在对文本任务上进行处理时,它们各自的缺点依然无法避免。主要有两个:一是文本词量化的表示形式较单一;二是没有办法对文本语句中各个词语对分类结果的重要程度投入关注。为进一步挖掘突发公共卫生事件微博文本深层语义信息,克服传统方法对微博舆情事件情感分析缺乏深层次语义支持,且特征稀疏、上下文关系单薄的问题,本文提出了一种基于多特征融合和TCBL-SATT（TEXTCNN and BiLSTM with Self-Attention）的双通道微博文本情感分析模型。首先在特征向量嵌入层使用多特征融合向量WET（Word-Expression-Text）,该向量是将融合特征词向量、表情特征向量与文本向量特征拼接得到。其中融合特征词向量是将词典特征与词性特征拼接而成,不仅关注了单一的文本信息,还考虑了重要的情感线索—表情符号所具有的强烈情感表达能力对于情感倾向判断的影响,从而避免了文字表述与表情符号的情感歧义问题,提高了微博情感分析效果;其次基于TEXTCNN与BiLSTM构建双通道层以提取微博文本局部特征和全局特征;接着通过构建自注意力机制层以提取微博文本重要语义特征;最后在融合层合并双通道输出结果,并在输出层采用softmax函数进行情感分类。新冠肺炎疫情是自互联网技术和社交媒体平台普及后,我国第一次本土发生的重大突发公共卫生事件,故本文的研究数据是通过自编爬虫爬取新冠肺炎疫情相关话题下的微博文本,经过数据预处理后得到42384条新冠肺炎疫情相关微博文本。研究方法是与其他模型进行进行对照实验,结果表明:（1）多特征融合向量作为嵌入层,其情感分析效果明显优于单一特征向量;这是因为多特征融合向量一方面可以充分地学习特征间的语义联系,另一方面还考虑了表情符号的情感因素;进而提升了模型效果。（2）基于TEXTCNN与BiLSTM的分析结果较CNN与LSTM,各项试验指标都提高了 1%左右,这说明随着深度学习模型的不断优化,情感分析效果也越来越好。（3）TCBL-SATT的拼接融合的分析结果,均优于TEXTCNN-SATT与BiLSTM-SATT效果,论证了拼接模型的优越性。这是因为双通道模型一方面结合了 TEXTCNN和BiLSTM提取局部特征和全局特征的各自优势,更全面地利用了微博文本信息;另一方面自注意力机制可以更好的保留文本的重要特征,进一步提高了模型分析效果。本文的主要创新点如下:（1）在以往的研究中,没有考虑表情符号已经成为近年来公众书写微博博文是表达感情的方式之一。本文将表情符号作为特征之一,生成多特征融合词向量。（2）用自注意力机制可以比传统的注意力机制获得更好的结果。（3）用较新的模型去完成研究,获得更好的分来结果的同时,这也是侧面论证了近年来深度学习的发展总之,从结果来看,本文提出的基于多特征融合和TCBL-SATT的双通道微博情感分析模型,能够有效解决短文本语义关系单薄、特征稀疏的问题,并能有效提高情感分类的准确性,从而第一时间感知公众对突发公共卫生事件和情感倾向。