在当下时代,人们习惯在各种社交媒体平台上综合利用文本、图片、视频等多种模态的信息来表达自己整体的情感或观点。而挖掘并分析其中的情感倾向性对于监控社交媒体、公共关系、市场营销和政策分析等方面具有重大意义。但是传统的单模态情感倾向性分析方法只是片面地分析跨模态信息中的局部情感,强监督学习方法耗费过多的人力在数据标注上,不适应大规模数据的训练学习过程,使得基于弱监督学习的跨模态情感分析方法的研究受到关注。基于弱监督学习的跨模态情感分析方法目前关键的问题在于,如何利用该方法对句子级(sentence level)社交媒体跨模态信息进行情感分析,以及如何在此基础上对篇章级(document level)社交媒体跨模态信息进行情感分析。针对上述的两个问题,本文提出一套基于弱监督学习的跨模态情感倾向性分析方法,主要的内容以及创新点如下:1.针对句子级(sentence level)社交媒体跨模态信息进行情感分析的问题,本文提出了一种基于弱监督学习的句子级跨模态情感分析方法。主要特点是利用大规模的句子级社交媒体跨模态数据,用容易直接获得的情感弱标注数据来指导单个模态下的情感特征的学习过程,并实现情感特征跨模态融合。通过实验证明该方法的表现优于现有的单模态情感倾向性分析方法,并且一定程度上降低了对数据标注的依赖性。2.针对篇章级(document level)社交媒体跨模态信息进行情感分析的问题,本文提出了一种基于弱监督学习的篇章级跨模态情感分析方法。主要特点是在句子级情感特征基础上,构建了篇章级跨模态内容的情感特征表示矩阵,进而将文本和图片两个模态采用统一的卷积方法来融合跨模态特征并学习篇章级的情感表达。通过实验证明该方法适应于篇章级跨模态信息的情感特征学习过程,提升情感分类正确率的同时,一定程度上降低了对数据标注的依赖性。本文针对不同形式的社交媒体跨模态信息,分别提出了相对应的基于弱监督学习的跨模态情感倾向性分析方法,通过合理的实验验证了所提出方法的正确性和有效性,较好地解决了上述提到的两个问题。