由于社交媒体的普及和发布信息的低门槛,来自社交媒体的情绪和观点提供了最新最广泛的信息。微博以其短小精炼实时的特点,迅速成为极具人气的社交网络平台与新媒体平台。对微博文本进行情感分析不仅对传统消费者和企业收集有关产品或服务的意见具有重要意义,而且对国家安全和舆情分析也具有重要作用。机器学习特别是监督学习需要大量的标签数据作为训练数据,在实际应用中标记大量数据既昂贵又耗时。但是从互联网获取大量未标记数据却十分容易,因此利用未标记数据进行数据挖掘成为研究热点。主要针对标记数据不足的问题,采用半监督学习方法对微博文本进行情感分析。首先构建多分类器集成的半监督文本分类模型,借鉴集成学习思想,以Bagging集成框架为基础,采用自举采样法对训练数据进行抽样,利用袋外数据(OOB)对数据标签的质量和分类器的性能进行评估。将两者的权值作为判别数据标签的权重进行计算,通过融合多个分类器的结果共同决策文本情感极性。同时在训练过程中提出动态阈值函数,实现标记数据的数量和质量之间的平衡。多分类器集成的半监督方法适用于初始标记较少的情况,但是内部是有监督的学习过程,却忽略了利用大量无标签数据可以挖掘数据的分布信息实现更准确的分类。因而提出基于变分自编码的半监督生成模型,将适用于文本序列的长短时记忆网络(LSTM)作为半监督变分自编码模型中编码器与解码器,用来编码原始文本序列与生成新的文本序列。将其衍生模型双向长短时记忆网络(BiLSTM)作为半监督变分自编码模型中的分类器。其作用是一为编码器提供标签信息并与其共同生成隐变量,二为解码器提供标签信息,与隐变量共同生成新的样本,整体模型通过优化原始样本与真实样本之间的目标函数实现分类器准确率的提升。最后使用COAE2014任务4数据集证明两个模型各自的有效性。