推特作为全世界最流行的网络社交媒体之一,主要由非结构化的短文本为主,这使得推特成为自然语言处理领域重要的数据来源与研究对象。人们利用推文交流知识、表达观点、抒发情感,研究推文中的情感对内容推荐、产品评价、舆情监管等许多领域都具有着积极的意义。随着推特平台技术的发展,表情符号的使用越来越频繁,传统的纯文本情感分析技术很难感知复杂推文的情感倾向。论文通过对推特场景下的推文文本及表情符号进行研究,探求推文情感分析的细粒度模型,分析表情符号在不同知识粒度上的情感极性,发现表情符号对推文情感的影响程度。论文的主要工作如下:（1）为了在文本情感分析中更好地利用表情符号,本文提出了一个基于BERT-Bi LSTM-Emoji Att的新型文本情感分析模型,利用BERT嵌入取代传统的词嵌入,结合Bi LSTM模型,并使用一个针对表情符号的单词级与分句级的双层注意力机制Emoji Att,在三个推文数据集上取得了超越其他四种基线模型的优异结果,通过分析推理证实了表情符号对推文情感分析的重要性。（2）为了探究影响推文中表情符号情感的因素,本文还选取了77种“人脸”类表情符号和3种推特用户属性,构造了一个由包含这些表情符号的推文以及包含这些属性的推文发送者个人主页信息所构成的ETUP语料库,并提出了一个承接情感分析模型、基于Sent2Emoji与K-Means的细粒度情感聚类模型,在ETUP语料库上证明了所提出的三种属性特征均对推文表情符号情感有不同程度上的影响,且可能存在其他未被发现的影响因子。（3）为了将本文的研究内容与实际应用场景相结合,本文设计并实现了一个基于Web框架的推文情感分析系统,并详细介绍了系统的需求、架构以及核心模块推文获取与推文情感分析,通过模拟用户操作对系统界面进行了展示。