微博等社交媒体在Web2.0时代的广泛应用对人们的日常生产生活等各个方面都产生了很大的影响,微博文本的情绪分析也成为了现阶段较为热门的研究方向。但目前相关研究还处在起步阶段,没有专门针对微博文本的情绪词典。深度神经网络模型可以通过有限次的无监督自主训练实现文本的情绪分类,避免了海量数据下人工标注语料的繁琐。因此,本文提出了一种基于深度学习技术的微博用户情绪画像模型,构建微博情绪词典和表情符词典,借助深度神经网络模型实现微博话题文本的情绪分类。首先,整合优化现有的情绪词典资源,降低词典构建的难度。微博上网络流行语的迭代速度非常快,为此引入了基于深度神经网络的词向量学习模型HIT,得到包含情绪信息的词向量,结合传统分类词典构建微博情绪词典;抓取了微博上常用的203个表情符构建了微博表情符词典。其次,为了更好地提取微博文本的情绪特征,本文提出了循环卷积神经网络模型RCNN,模型结合了循环神经网络RNN和卷积神经网络CNN的优点,利用RNN循环层和CNN的卷积层、池化层分别进行一级二级特征提取,同时针对CNN忽略文本句子的结构无法提取序列信息这一不足,采用了分段池化的策略;为了提高模型的情绪分类准确度,在双词主题模型BTM和JST主题模型的基础上提出了双词主题情绪联合模型JSBTM提取文本的主题特征,并利用TF-IDF进行特征权重计算。最后,综合前面两个步骤完成了基于深度学习的微博用户情绪画像模型,并进行了训练,利用准确率、精确率、召回率和F1值等评估指标将模型的分类效果进行了实验对比。