微博作为当下非常热门的网络社交平台,其中覆盖的讨论话题非常广泛,从时政新闻、医疗、娱乐到学术方面,参与话题的民众也包含了各个年龄层,网民可以对自己关注的话题进行评论。这也就导致了微博中包含大量的文本信息,通过对微博的评论文本进行情感分析,在产品方方面,产品方可以了解民众对于产品或者策划活动的态度,对此进行改进;在政府方面,政府可以了解民众对网络事件的态度以及发酵情况,从而更好的引导社会舆论。因此,文本情感分析的不仅具有商业价值,也对社会稳定起到一定的积极维护作用,文本情感分析的研究是一个十分有意义的课题。本文主要研究工作如下:第一,提出了表情符号向量化的方法。首先构建了表情符号的数据集,构建了描述性语句的正负向样本,其次,使用词向量工具,通过对表情符号名称以及描述性语句的概率相似性建模,得到表情符号的向量。第二,构建了一个BiLSTM-CNN的串行模型。由于中文文本存在一词多义的情况,引入双向Bi LSTM模型用以提取包含上下文信息的文本特征。中文文本结构比较复杂,CNN模型可以提取重要特征,引入CNN模型来提取文本的局部语义特征。其他研究将两个模型并行起来,首先使用CNN提取局部语义特征,再用Bi LSTM模型提取局部特征的上下文信息,仍会造成信息缺失的情况,本文将两个模型串行,同时提取两方面的特征,使输入模型的特征更加完整。第三,使用数据集对比验证了模型的有效性。在表情符号方面,首先使用基础的CNN方法对其进行验证,后续补充了Bi LSTM-CNN串行模型上的对比验证。在Bi LSTM-CNN串行模型方面,使用了基础的Bi LSTM模型和CNN模型进行了对比验证。