随着社交媒体平台的广泛应用,人们利用社交媒体发布针对舆情事件的相关评论,这些数据代表了民众的所思所想,能够真实快速的反映社会舆论情况,对网络舆情的认知和管控提供重要支持。近年来,自然语言处理相关技术不断进步,文本情感分析任务得到充分关注和发展,为基于社交媒体数据的舆情分析提供了强有力的技术支撑。针对各类舆情事件,利用社交媒体平台的数据,并通过自然语言处理技术进行舆情的分析与预测,具备重大的理论和现实意义。当前的网络舆情分析技术还停留在较为浅层次的分析阶段,缺乏事件发展和情绪变化之间的深层关系透视。针对发生的舆情事件,在当前的情绪分析研究的基础之上,本文进一步提出了面向舆情事件的情绪归因任务以及情绪预测任务,从而为舆情的分析和预警提供技术支持。本文的主要研究内容如下:（1）面向舆情事件的情绪分析研究。本文提出了基于多任务学习的舆情事件情绪分析技术,联合建模情绪分类任务与子事件识别任务,采用多任务学习框架捕捉两者之间的联系,从而提升句子情绪分类的性能。为了促进相关研究的发展,本文构建了基于子事件的情绪分析数据集,引入了细粒度的子事件信息,该数据集也为后续的情绪归因以及情绪预测研究提供了基础。（2）面向舆情事件的情绪归因研究。情绪分析研究较为浅显,忽略了对情绪变化的背后原因的探索,本文提出了面向舆情事件的情绪归因任务,意在揭示事件发展过程中民众情绪变化的原因。为了解决该问题,本文提出了基于静态异构图的舆情事件情绪归因技术,有效找出导致情绪变化的原因。（3）面向舆情事件的情绪预测研究。情绪分析任务与情绪归因任务都是分析已知的舆情事件信息,本文进一步提出了面向舆情事件的情绪预测任务,意在根据已有的事件发展相关信息,预测民众针对该事件的未来的情绪分布。为了解决该问题,本文提出了基于动态时序图的舆情事件情绪预测技术,能够捕捉情绪的动态变化趋势,对未来时刻的情绪分布做出合理的预测。本文在情绪分析任务的基础上,深入展开研究,提出了面向舆情事件的情绪归因任务以及情绪预测任务,挖掘民众情绪变化背后的原因,并对未来的情绪走向做出预测。这些任务的设计与提出为舆情分析领域的研究提供了重要参考,对真实应用场景下的舆情认知与管控提供了重要技术支持。