伴随互联网的兴起及交互式网络的发展,大量文本信息随之产生并对网民的日常生活、各类商业及政府工作活动产生重大影响。为有效挖掘和处理有用的文本信息、解决人机互动等相关问题,研究人员开始对蕴含用户主观意愿的文本数据做相关技术处理,力图获得文本背后的情感信息,以便对用户抉择、企业升级、产品定位、政府民意调查及工作安排给予指导性意见和帮助。文本情感分类随之成为自然语言处理领域继机器翻译、文本引擎搜索和智能问答后的又一重要研究方向。传统对情感分析的研究通常是基于情感词袋模型和机器学习的使用,然而其需要海量专业知识和大量人工投入的缺陷使研究人员逐渐转向使用深度学习算法对其进行研究,本文在传统深度学习算法的基础上进行了一定的改良设计,使改良后的混合模型在分类准确率等多个指标上有一定的提高,验证本文所提出情感分类模型的有效性。本文首先对词向量模型、自然语言处理常用的机器学习算法、深度学习网络及注意力机制模型的相关知识进行了阐述,并对卷积神经网络、循环神经网络、长短时记忆网络、耦合输入和遗忘门网络模型（Coupled Input and Forget Gate,CIFG）、双向耦合输入和遗忘门网络模型（Bi-directional Coupled Input and Forget Gate,BICIFG）以及注意力模型（Attention Mechanism）的工作原理和处理过程进行详细的讲述。然后介绍了如何通过Word2vec模型训练词向量的操作方法和步骤,并对实验过程中所使用模型的参数进行说明,提升词向量的质量。最后本文对传统卷积神经网络进行改造,提出基于CNN-CIFG-Attention的网络模型,将耦合输入和遗忘门网络单元CIFG取代卷积过程中的池化操作,避免了部分有用的池化信息的丢失,并引入注意力层对原有词向量的权重进行重点分配,有效提高混合模型对重要文本情感信息的突出能力;并将CNN-Attention算法模型与BICIFG-Attention算法进行并行设计,提出基于双通道的CABAM（Dual-Channel of CNN-Attention and BICIFG-Attention Model,CABAM）网络模型,在网络爬取的文本测试集上进行评估,证明了所提出模型的有效性和改进方案的正确性。