随着互联网的迅速发展,情感分析已经成为自然语言处理的研究重点。语义提取和情感分类是解决这一问题的关键途径。面对不断变化的文本表达方式,现有算法的表现不令人满意。要想获得准确的情感分析结果,需要关注文本高层情感语义,需要提取文本多模态语义特征,需要提升情感分类的效果。论文重点研究了文本情感分析中的上述关键科学问题。论文主要工作和创新点如下:为了解决已有的语义提取算法提取结果不完善的问题,本文提出基于强化学习的情感语义提取算法,强化学习模型能够识别简单文本的复杂情感特征,提取情感语义。其中,多模态语义提取模型可以充分提取文本多模态特征,情感注意力加强机制通过有效跟踪和反馈情感分析结果,指导优化多模态语义提取模型的语义特征提取算法,通用的扩展词典能够对影响情感类别的内容给予更高关注。为了解决已有的情感分类算法准确度不高的问题,本文提出了基于改进深度学习模型的情感分类算法,改进深度学习模型能够分析文本语义中的长期和短期依赖关系,得到文本情感类别。其中,语义提取模型将文本转化为词嵌入向量,长期情感分类模型分析文本的长期依赖关系,短期情感分类模型关注文本的局部特征信息并分析文本的短期依赖关系,最终输出准确的情感分类结果。为了在复杂的文本数据中充分发挥情感语义特征的价值,本文提出了基于强化学习和改进深度学习模型的情感分析算法。在协同训练方法的作用下,基于强化学习的情感语义提取模型有效地理解文本情感信息。基于改进深度学习模型的情感分类模型进行充分地情感分类,并将分类结果反馈给情感注意力加强机制,优化语义提取算法,从而提升文本情感分析的性能。