随着互联网的蓬勃发展,越来越多网民在社交平台上发表自己的言论,这些言论中通常包含大量的情绪信息,分析这些文本中蕴含的情绪可以为舆情分析等许多任务提供支持,拥有很高的应用价值。由于社交平台上用户发布的每一段文本通常包含多种情绪,且这些情绪间互相存在关联,捕捉这样的关联可以为准确识别文本中的情绪带来帮助,所以文本情绪分析应使用能够建模情绪关联性的多标签分类方法。目前以序列到序列模型为基础的深度学习方法较早期工作更好地捕捉了情绪标签间的关联,然而这些方法解码端不同时刻的注意力关注相似位置的文本信息,倾向于生成语义相似的情绪标签,难以识别文本中语义相差较大的多种情绪。此外,这些方法采用的交叉熵损失函数依赖情绪标签的顺序,但现有数据集中情绪标签没有特定的标注顺序,导致了错误惩罚问题。针对上述问题,本文工作如下:第一,由于现有方法难以识别文本中语义相差较大的多种情绪,本文提出了一种引入注意力惩罚项的多标签情绪分类方法,使用序列到序列模型建模标签间的高阶关联,通过注意力惩罚项捕捉情绪标签间的位置差异。实验结果表明,引入注意力惩罚项的方法相比现有最好的方法,在中、英文两个数据集上的分类效果均有提升。第二,针对标签顺序带来的错误惩罚问题,本文提出了一种基于强化学习的多标签情绪分类方法,利用延迟回报将序列生成过程转化为集合生成过程,将多个情绪标签看作集合。实验结果表明,引入强化学习的方法相比现有最新工作提出的方法,在中、英文两个数据集上的分类效果有进一步提升。