多语言混合文本情感分析旨在通过收集人们在社交媒体上所表达的观点、态度及情感的文本进行识别与分类的一种研究。多语言混合文本普遍存在于欧洲、非洲以及东南亚等地区,使用者通常会把该地区的母语和主要通用语言（比如英语）结合起来使用,从而出现了多语言混合文本。混合文本类型的交流方式不仅轻松方便,而且减轻了人们的语言知识负担。然而,对于非当地母语使用者来说,理解这些多语言混合的文本是相当困难的。由于多语言混合文本不遵守正式的语法规则、音译规则、句式结构等原因,使得一般领域（主要是英语）的情感分析方法不能适用于多语言混合文本的情感分析任务。此外,多语言混合文本数据集一般具有规模小、稀疏、噪声等特点,给情感分析任务带来了新的挑战。因此,设计并实现能自动识别和分析隐含于多语言混合文本中情感极性的模型算法有重要的现实意义和应用价值。针对以上情况,本文提出基于自注意力增强模型来进行多语言混合文本的情感分析研究,该工作主要由两个部分组成:第一个部分,基于XLM-Roberta的自注意力机制模型,用于实现多语言混合文本的情感分析任务,首先将预处理后的文本输入到XLM-Roberta预训练模块进行编码,在提取XLM-Roberta的原始输出后,还将XLM-Roberta的最后一层隐藏状态的输出输入到Bi LSTM模块中,并对Bi LSTM的隐藏层的输出赋予自注意力权重,最后,实验将XLM-Roberta的原始输出与赋予自注意力权重后的加权表示向量输出连接起来,从而更好的进行分类任务的情感极性预测。因为XLM-Roberta的原始输出通常不能全面地总结输入的语义内容,大量的语义信息特征可由XLMRoberta的顶层隐藏层（也称之为语义层）学习得的。而自注意力权重赋予会考虑多个情感承重单元存在的情况,另外Bi LSTM可捕获双语单词序列和字符序列之间的长期依赖关系。第二个部分,基于自注意力增强CNN模型的混合语言情感分析的集成模型框架,是基于XLM-Roberta自注意力机制的设计原理进行改进的,通过把XLMRoberta的输出输入到基于自注意力Bi LSTM与CNN的集成模型中,其中子单词嵌入充分利用了卷积操作后的中间特征,利用矢量门控机制将子单词嵌入和双语预先训练的词向量输出的字符及词嵌入结合起来训练模型。其中CNN在某种程度上考虑了单词的顺序和单词出现的上下文情况,使用几个过滤器大小的想法是捕获不同长度的上下文。CNN模型在积极的和消极的推文上都表现得很好。自注意力模型在中性推文上表现优于CNN模型,但在正样本和负样本上表现不是很理想,两者刚好互补,这也是选择集成的主要原因。本文设计的模型在德拉维语和Sentimix两个公开的数据集上均取得最好的效果。在印地语-英语、西班牙语-英语、玛拉雅拉姆语-英语和泰米尔语-英语上分别取得了0.862、0.846、0.776和0.77的F1值,是目前现有模型在这两个数据集上的最好的成绩。