情感分析是对文本中表达的评论、情绪和情感进行的计算研究。近几年来,情感分析引起了业界和学术界的广泛关注。在世界各地,社交媒体已为人们提供了以母语共享个人观点的趋势。对于这些评论的情感分析,机器学习算法是研究者的主要选择。在提出了复杂的机器学习算法和硬件升级版本来运行实验之后,研究界开始转向利用深度学习完成情感分析任务。过去五年的背景研究证实,深度神经网络（CNN、RNN和扩展版LSTM）取得了显著的成绩。这些神经网络大多是单向的,需要大量的时间、内存和硬件资源。另外,目前的方法主要集中在对英语句子的分析上。对于一些少数民族语言来说,这仍然是一个挑战,比如罗马乌尔都语,它有一个更复杂的句子结构和众多的单字词汇变化。在本研究中,对于罗马乌尔都语的情感分析,我们提出了新颖的自注意力双向LSTM网络（Self-Attention Bidirectional LSTM,简称SA-BiLSTM）来处理句子结构和不一致的文本表达方式。在SA-BiLSTM中,自我注意用于关联整个句子、控制复杂的结构,BiLSTM用于提取上下文表示,以解决前后的词汇变化。本文网络还突破了传统网络单向性的局限性。此外,为了衡量其他模型在罗马乌尔都语分析中的性能,并与SA-BiLSTM进行比较,我们对罗马乌尔都语句子进行了预处理和规范化。我们在罗马乌尔都语的两个数据集中训练并评估了所有模型。SA-BiLSTM的有效设计使用较少的计算资源,并且在预处理和规范化后的数据集上的准确度分别为68.4%和69%。实验结果表明,与其他最新的深度语言网络模型相比,SA-BiLSTM具有更好的准确性。结果分析和比较证实,数据集的规范化使模型达到了更高的精度。此外,BERT最近在一个多语言数据集上取得了最好的成绩。BERT的结构中包含转换器的双向特性（自注意力层）,与SA-BiLSTM中的思路一致。BERT在经过预处理和规范化的数据测试集上获得的结果要高于其在翻译成乌尔都语的XNLI数据集上的结果。