数量庞大的非结构化数据是互联网技术的崛起引发的产物,自然语言处理是利用互联网技术对这些数量庞大的非结构化数据进行分析和处理,并实现计算机和人类间无障碍的沟通,其主要处理领域包含情感分析、机器翻译、语音识别与智能问答等各个方面。而其中文本情感分析技术是分析并处理带有主观情感的文本数据,并挖掘其潜在的数据信息,从而得出文本的情感极性。研究课题以文本情感分析和深度学习等算法模型为背景,总结相关的研究方法和技术,深入学习常用的算法模型,并提出了改进算法模型,使得文本情感分析任务的准确率得到显著的提高。首先,针对以往的研究大多使用单一模型进行文本情感分析,导致无法很好地捕捉相关文本的情感特征,和传统神经网络模型结构简单,无法有效提取层次化的文本特征的问题从而造成情感分析效果不理想的两个问题,本文提出了两种有效的解决方法,一种基于多头自注意力和并行混合模型的文本情感分析方法和一种BIGRU-HAN和CNN-HAN特征融合的文本情感分类方法。然后,构建基于多头自注意力和并行混合模型与BIGRU-HAN和CNN-HAN特征融合模型,多头自注意力和并行混合模型借助双层多头自注意力机制学习文本的词依赖关系,并捕获其内部结构特征,使用并行双向门限循环神经网络获取文本的序列特征,借助改进并行分解卷积神经网络提取深层次特征信息,BIGRU-HAN和CNN-HAN特征融合模型将层次化注意力网络结合卷积神经网络和双向门限循环神经网络进行文本情感分析。最后,设置对比试验进行验证,实验结果表明所提模型的有效性和优越性。