随着人工智能技术的发展及智能手机的普及,网络已成为全民参与的平台,如今网络上产生了海量的文本数据,如何分析利用这些数据对辅助人们在现实生活中做决策具有重要意义。文本情感分类是自然语言处理的典型任务之一,吸引了学者们的研究热情。传统的文本分类方法主要包括基于词典的方法和机器学习的方法,自深度学习算法出现后,文本分类的准确度有了惊人的提升。目前常见的文本情感分类任务主要为情感极性分析,即判断一个句子所包含的人物情感为正向或负向。然而,由于句子的主客性未加区分,很可能会对分类结果造成干扰。例如在电影评论中,对电影情节客观描述的句子“杰克试图维护自己的好名声”,由于该句包含“好”之类正向形容词,很可能会误导分类器将它归类为正向情感。可事实上我们不能从中得出任何正、负向的情感信息,甚至会误导我们的判断。如果在进行情感极性分类时能预先过滤掉这些客观陈述的信息,将会提升情感极性分类的效果。对此,本论文研究如何对文本的主客观性进行分类,提取文本中的主观性信息。本文在分析文本情感极性分类任务的基础上,对深度学习模型在文本情感分类中的应用进行了深入研究。主要研究工作如下:(1)为文本情感极性分类任务的改进提供了一种新思路,即先过滤掉客观性信息再进行分类,由此提出了3种基于深度学习模型的文本主观性信息抽取方法。(2)提出了改进的主客观文本分类模型。通过分析、对比激活函数在卷积神经网络中的应用原理,设计无激活函数的卷积神经网络结合长短时记忆网络的主客观文本分类模型。(3)对长短时记忆网络及其变体进行研究,提出了它们的应用原则,为研究者在实践中如何选用长短时记忆网络提供依据。(4)设计了引入注意力机制的主客观文本分类模型。为了验证本文模型的有效性,本文在英文电影主客观情感数据集上进行多组对比实验,实验结果符合预期,并对结果进行了分析总结。