在最近二十年间,世界进入互联网时代,人们的线上社交活动与线下生活文化完全交织在一起,人们接受信息的方式也从被动转换为主动,每个人都成为了信息的挖掘者与传播者,各种社交媒体应运而生。微博作为国内主流网络社交媒体聚积了数亿用户,在上面用户可以对网络上新发布的政策、工业产品、时事热点等发表自己的观点立场,如何在特定目标话题下有效的对用户立场进行判断成为网络舆情分析的重要课题。微博文本具有网络化、噪音多样化、口语化、关系多样化等特点,极大程度上降低了立场检测的准确率。如何结合中文语法特点有效地捕获文本特征,是提升立场检测任务准确率的关键。在对微博文本进行立场检测时,往往根据部分有依赖关系的词语组进行判断。基于卷积神经网络的模型通过单词序列进行卷积操作将多个单词特征感知为连续文本进行表示,但不能够很好利用词间的依赖关系指导立场分类。本文针对中文语言环境及微博文本语言特点,提出了一种基于深度学习的立场检测方法,不仅结合了中文语言特点,还有效的捕获了文本中不同距离词语间的依赖特征。论文的主要工作如下:(1)本文将文本中词语及其之间的依存关系视为图结构数据,提出了一种微博文本图结构构建方法。首先,基于CRF算法,构建句法分析器,并用微博句法关系树库进行训练。然后使用训练好的分析器,构建立场文本依存句法序列,存入Trie树利用剪枝策略进行剪枝,获得文本的图表示。最后利用图中结点间的点互信息,删除较弱的词语依存关系。(2)提出了一种基于深度学习的微博立场检测网络模型。模型包括长短期记忆网络层,图卷积网络层,目标话题关联注意力层等结构。在图卷积网络层,利用文本图结构信息指导网络进行卷积,并通过点互信息加强词语间依存关系,以获得更丰富的文本特征表示。(3)解决当前立场检测任务数据集过少,分类模型分类时效果具有偶然性的问题。建立了新的立场检测数据集,对于每条数据根据用户文本对目标话题的不同立场倾向进行手工标注。新的目标话题集共包含两个话题,共3000条微博文本。本文使用自然语言处理中文计算会议(NLPCC)公布的中文微博立场检测任务数据集以及新构建话题立场数据集上进行实验。实验结果表明,文中提出的深度学习模型相较于现有的研究方法在立场检测上的效果得到提升。