随着互联网技术的飞速发展,人们越来越热衷于在网上发表自己对某一事件或者事物的看法,这些评论背后隐藏着巨大的商业价值,所以近年来文本情感分析越来越引起人们的关注。但是一些语言较其他语言起步晚,缺乏高质量的语料资源,人工标注又需要投入巨大的人力物力资源,这在一定程度上阻碍了其文本情感分类技术的研究。跨语言文本情感分类任务就是利用语料资源丰富的一种语言,辅助另一种语料资源匮乏的语言实现文本情感分类。为了进一步提高跨语言文本情感的分类性能,本文做了多方面的融合和改进,提出了以下跨语言文本情感分类方法:(1)针对传统的单语言词向量表示方法不能很好地进行双语交互学习这一问题,提出了一种对抗长短时记忆网络的跨语言文本情感分类方法。该方法设置源语言和目标语言独立的特征提取网络以及双语共享特征提取网络,建立源语言和目标语言的联系,减少双语之间的语义鸿沟。同时,在共享特征提取网络中,设置语言分类器进行对抗训练,使分类器尽可能分不清特征是来自源语言还是目标语言,以获得双语的不变特征,从而使双语之间达到更好的知识迁移效果。相比较之前的研究方法,这种方法既保留了双语各自独立的特征,又可以获取到双语的不变特征。在NLPCC 2013跨语言文本情感分类公开数据集上做了实验,实验结果表明该方法提高了跨语言文本情感分类性能。(2)考虑到情感词典依旧是不可忽略的资源,以及情感词上下文信息对整段语料的情感极性贡献较大这一因素,提出了一种结合局部和全局特征的跨语言文本情感分类方法。该方法结合情感词典,利用卷积神经网络获取情感词上下文特征,将其作为整段语料的局部特征。同时,利用加入注意力机制的双向长短时记忆网络获取整段语料的全局特征。最后,将局部特征和全局特征进行拼接融合作为最终的分类特征,输入到分类器进行文本情感极性分类。在包含多语言的数据集上分别做了实验,实验结果表明该方法可以提高跨语言文本情感分类性能。