随着计算机和互联网技术的飞速发展,越来越多的民众选择在社交媒体上撰写评论,表达自己的观点和看法。微博、脸书、推特等互联网平台每天都会产生海量的文本数据,挖掘并分析这些文本数据的潜在情感倾向,对于辅助政府、企业等团体机构进行舆情掌控及决策有着重要的价值。情感分析技术的核心在于情感分类模型的构建,传统方法是以情感词典或机器学习算法为基础来构建模型。基于词典的情感分析方法存在着情感词典构建难度大,泛化能力差和无法有效处理时效性较强的网络新词等问题;基于机器学习的情感分析方法存在人工构建特征难度大、缺乏高质量标注数据等缺点。对此,伴随着计算机性能的大幅度提升,以深度学习算法为基础的情感分析技术在近些年得到了广泛的研究与重视,其中基于Word2Vec词向量和深度神经网络的情感分类模型相比传统模型在性能上得到了大幅度的提升,但还是存在着无法处理中文一词多义、无法充分提取深层语义特征和模型鲁棒性不强等缺点。近年来,BERT等预训练语言模型在自然语言处理领域内取得了巨大成功,因此受到了国内外研究学者们的广泛关注。本文围绕情感分析任务展开研究,以BERT预训练语言模型为基础,针对静态词向量无法处理中文一词多义及传统神经网络语义特征提取能力不足、深度学习模型在对抗样本攻击下的脆弱性、单一模型的有限性等问题,提出了相应的解决方案,最后为增强情感分类模型的可解释性,完整地实现情感分析功能,设计并实现了一套情感分析系统。本文的主要研究工作包括以下几点:（1）针对传统情感分类模型无法解决中文一词多义和语义特征提取能力不足的问题,本文提出一种基于BERT模型的情感分析方法,在此基础上以BERT模型为核心,优化模型结构,提升模型性能,构建了 BERT-BiLSTM-Att情感分类模型,该模型根据上下文动态生成词向量,通过BERT内部的Transformer编码器提取文本的语义特征,使用BiLSTM网络对语义特征进行二次提取,同时引入注意力机制突出关键情感信息。实验结果表明,相较于传统情感分类模型,BERT-BiLSTM-Att模型能够有效处理中文一词多义带来的情感类别错分,并且可以在有效提取上下文语义信息的同时提取关键情感信息,提升了情感分类模型的综合性能。（2）针对深度学习模型在对抗样本攻击下的脆弱性问题与单一模型泛化能力弱,鲁棒性差的问题,本文首先改进模型训练方式,使用对抗训练算法对模型进行对抗训练以提升模型的鲁棒性与泛化能力,然后采用Stacking算法将多个模型进行集成,得到一个优化后的情感分类模型。有别于在训练前对样本添加干扰的静态数据增强方法,对抗训练在训练过程中向输入嵌入层添加扰动以得到对抗样本,使用混合了对抗样本的输入使模型提前学习适应这种变化,以应对未知对抗样本的攻击,提升模型的鲁棒性与泛化能力。Stacking集成算法框架通过将多个基分类器进行融合,强强联合优势互补,可以得到一个较佳的强分类器,本文选用改进训练方式后的三个情感分类模型作为基分类器,进行模型的融合。实验结果表明,本文改进训练方式后的模型相比原始模型,在整体性能上得到了提升,最后基于Stacking集成算法得到了一个综合性能较好的情感分类模型。（3）基于已完成的研究工作,本文以Stacking算法集成后的情感分类模型为基础,设计并实现了一套情感分析系统。情感分析系统采用B/S架构,总共分为三层,分别为表现层、逻辑层与数据层,其中文本预处理、情感分析等功能模块分别在这三层结构中实现。用户可通过Web浏览器访问该情感分析系统,并进行文本的情感倾向分析。