随着互联网用户的逐渐增多,各种网络平台的信息量也越来越大,处理大量可用信息是一项超出人类处理能力的艰巨任务。这些信息具有巨大价值,所以一个高效的情感分类算法具有一定的理论意义与应用价值。然而,虽然在英语情感分析方面已经有人做了大量的工作,但在中文领域的研究却相对较少。另外在特征工程、上下文关系以及一词多义方面,情感分析还存在相当大的挑战。基于此,本文提出了一种基于权重融合BERT结合改进的胶囊网络的情感分类网络模型FuBERT-Caps。由于BERT网络可以捕捉语言结构信息,但其仅仅使用最后一个编码层的输出特征用于分类,忽略了其他层学习到的语义特征。另外,胶囊网络（CapsNet）是对卷积神经网络的一种改进,克服了 CNN空间不敏感的缺点,并且可以捕捉单词的位置信息。因此,本文提出的FuBERT-Caps通过对BERT多层表示的动态权重融合（FuBERT）,来对输入序列进行嵌入,生成全局的特征表示,以用来提高词嵌入的表达能力。然后利用胶囊网络和动态路由算法提取文本序列的局部和空间层次关系,并给出其局部特征表示,最后通过Softmax分类器进行分类。综上所述,本文提出的FuBERT-Caps模型不仅可以解决情感分类任务特征工程等问题,还可以可以提高情感分类的准确率。实验结果表明,在给定的基准数据集上,该模型达到了 95.64%的基准准确率,比BERT模型提高了近1.1个百分点。