近年来,随着社交网络的逐渐成熟和移动终端技术的迅猛发展,微博作为一种网络传播的主要媒体形式,越来越受到人们的青睐。用户通过在微博上表达观点传播思想,抒发个人情感的同时,也产生了大量带有个人主观情感特征的信息,这些信息中包含着不同趋向的情感特征,进而对网络舆情的传播能产生巨大的影响。本文使用深度学习的方法,对互联网上微博短文本的情感分析问题进行了相关研究。具体研究内容如下:(1)为了更好的判定微博短文本的情感极性,提出一种基于深度卷积神经网络模型的情感分类方法。该方法首先将训练的词向量作为原始特征向量,然后把特征向量送入卷积神经网络(CNNs,Convolutional Neural Networks)模型进一步提取特征,训练出基于该网络的情感分类模型,再使用该分类器对互联网短文本进行情感分类。实验比较了基于传统机器学习的SVM算法与深度学习的随机生成向量的CNNs模型法和本文提出的方法,最终通过实验结果证明了采用本文方法可以有效的进行情感分类。(2)针对微博短文本中评价对象抽取的问题,提出了一种基于双向长短时记忆循环神经网络(Bidirectional Long Short-Term Memory,BLSTM)模型的情感要素抽取方法。通过实验对比传统机器学习模型与循环神经网络(RNN,Recurrent Neural Networks)、长短时循环神经记忆网络(Long Short-Term Memory,LSTM)和双向长短时记忆循环神经网络这三种深度学习模型发现,采用基于深度学习的双向长短时记忆循环神经网络模型处理评价对象抽取任务可以获得最佳效果。