随着网络的发展,舆情数据的发展趋势呈现出爆炸式增长。网络上充斥着巨量的图片、语音、文字等各种类型的数据信息,这些越来越复杂的网络数据相互结合,构成了一个复杂的数据结构来表达数据的信息。在舆情数据中,通过单一类型的数据(图片、文本、语音等)越来越难以完整的表达数据信息。近年来,神经网络在面对各类数据信息,通过特有的层次结构将数据信息从低层特征空间提取到高层特征空间,在各类数据分类及物体识别等相关应用中取得了重大进展。神经网络在各类数据和各研究领域中展现出的宽泛适用性,为本文的信息融合提供了有力支持。对于一个包含多种类型数据的网络舆情信息,本文提出一种新的舆情分类模型,通过神经网络模型分别去学习不同类型信息的数据特征,对它们的特征融合后进行分类,通过这种方法实现数据信息更好地分类。在实验中,本文分别使用LSTM和CNN神经网络提取文本和图像数据特征,对二者特征融合后进行分类。结果证明,多种类型的数据特征进行融合后再分类,可以更好地实现对网络舆情数据信息的分类,提高了舆情信息分类的准确性。在前人基础上,本文提出的改进主要有以下三点:(1)根据对不同类型数据特性的分析,采用不同的神经网络模型,以构建各类型数据的特征提取模型。(2)面对训练好的特征提取模型,首先要考虑的是将不同模型训练得到的各类型数据特征,将之提取到相同的特征空间来进行特征融合。(3)为了进一步提高分类器的性能,本文使用了权重来对不同的数据特征来进行特征融合。