随着以人为中心的Web2.0时代的蓬勃发展,互联网中产生了大量关于人物,事件,产品等包含用户情感的有价值的评论信息,文本情感分析技术能有效挖掘其价值,因此越来越受到关注。对于短文本的词语级别以及句子级别的情感分析已经开展了多年研究并取得较好成绩,但是对于文档级别情感分析,尤其是长文本的建模仍然是一个巨大的难题,虽然LSTM神经网络在长文本建模上取得了巨大的成功,但LSTM依然会存在对长序列学习不完整的问题,因此亟待研究新的篇章级情感分析方法。针对以上问题,本文设计并实现了一个基于的LSTM的分层神经网络结构并且尝试提出了多种改进的方法。首先,本文提出了一种双层LSTM的模型,第一层对文档中每个句子进行词到句子的建模,第二层是对文档中的所有句子到文档进行建模。其次,为了提高模型的训练效果,本文提出了一种基于情感词典的方法,来过滤掉一些客观性句子,减少模型训练的噪声。最后,为了考虑句子中词语间的空间结构,本文用Tree-LSTM代替传统的序列LSTM对词语到句子进行建模,来得到更好的句子向量。实验结果表明基于的LSTM的分层神经网络结构及其改进的方法在三个公开的大规模的文档级别数据集上都具有良好的表现,同时与传统LSTM相比,Tree-LSTM可以得到更好的句子的表示。