自然语言处理的目的是使用计算机技术来分析处理人类产生的文本数据,了解人类的意图,最终可以实现人类与计算机之间无障碍的沟通,其主要包括机器翻译、情感分析与智能问答等领域。文本情感分析的主要任务就是对带有主观情感的文本进行特征挖掘和分析,从而得出其情感倾向。随着互联网的快速发展,深度学习算法的实现得到了技术上更坚实的支撑,其在各个领域中都做出较大的贡献,使用深度学习方法来解决自然语言处理的问题成为更多研究者的选择。本文以文本情感分析为背景,总结相关的研究方法和技术以及常用的算法模型,并提出了改进算法模型,在提高分类正确率上有一定的效果。本文首先论述了词向量技术、传统机器学习算法、深度学习算法和注意力机制的相关理论知识,并详细介绍了卷积神经网络、循环神经网络、注意力机制对数据的处理过程。然后介绍了使用Word2vec模型训练词向量的步骤与方法,为进一步提升中文词向量的质量,使用多达1G的与数据集领域相关的语料进行训练,并对训练过程中的具体模型与参数进行说明。随后针对传统卷积神经网络池化层损失特征过多的问题,提出一种混合文本情感分析模型CNN-GRU-Attention。该模型使用门控循环单元GRU代替传统卷积神经网络的池化层,并引入注意力机制强调重要信息特征的影响力。使用互联网上搜集到的中文评论对模型进行评估,实验验证了该模型可以提升文本分类正确率。最后针对单通道网络随着层数的增加提取特征不充分的问题,提出一种双通道注意力文本情感分析模型。将词向量矩阵作为卷积网络通道和长短时记忆网络通道的输入,同时学习文本的局部特征和序列特征,并利用注意力层得到文本特征重要性的概率分布。使用京东购物评论对模型进行训练,并设置对比试验进行验证,实验结果表明该双通道模型的可行性和有效性。