互联网用户作为网络信息的接收者和发送者,以发布在线评论的方式在网络平台上产生大量带有主观性情感的文本数据,这些文本对于个人、商家和政府机关等都有着重要的作用,通过对这些文本进行分析,可以做出相应的购买决策、运营策略以及舆情响应措施。但是在互联网迅速普及和用户迅速增加的背景下,传统的统计学等方法已不足以应对爆炸式增长的文本评论,深度学习以其优异的性能成为了研究者进行情感分析的普遍方法,本文也利用该方法进行了中文文本情感分析的探索:（1）根据以往研究中词嵌入方法低效及转化时间过长的现象,本文提出基于迁移学习的卷积神经网络-双向长短时记忆网络混合模型,首先使用成熟高效的向量变换工具对数据进行向量化表示,通过结合两个神经网络的优点,在商品在线评论数据集上实现二元情感分析,精确率、召回率,F1值分别达到了93.73%、93.39%和93.56%,并构建多个相关模型进行对比实验,取得最佳的结果,接着处理跨领域数据集,验证了其有效性和泛化性。（2）针对Word2Vec不能根据语境动态表示词向量、双向长短时记忆网络参数较多、卷积神经网络进行数据提取时导致信息丢失的问题,建立基于Albert模型的双向门控循环单元-多头自注意力机制-胶囊神经网络混合模型,对三分类情感数据进行处理。首先使用Albert模型生成词向量,结合双向门控循环单元与多头自注意力机制提取上下文信息,再使用多粒度胶囊网络代替卷积神经网络对数据特征进行充分提取,并使用动态路由机制对高层次特征进行提取融合,提高模型分类的效果。由于目前文本情感倾向的表达逐渐多元化,于是本文对三元文本数据进行情感分类研究,在微博评论数据集上进行实验,精确率达到了91.76%,并构建了多个相关模型进行对比实验,验证了所提出模型的效果和应用价值。