随着互联网的迅速发展以及移动智能终端的普及,越来越多的用户在以微博为代表的社交网络上表达自己的观点和情感,由此产生了大量富有情绪表达的文本信息。近年来,情感分析研究受到计算语言学领域研究者们的密切关注,成为一项基本的热点研究任务。情绪分析是情感分析的一项基本任务,旨在对这些文本表达的情绪(例如:喜、怒、哀、恐等)进行自动分析。本文针对微博文本情绪分析方法展开深入研究,主要研究内容包括以下三个方面:首先,本文提出了一种基本情绪和复合情绪相结合的情绪分类体系,并利用该分类体系对微博文本进行情绪标注,构建了一个规模较大的中文微博情绪语料库。同时,为了减少标注的工作量,提出了结合自动标注的标注方法,提高了标注效率。最后的标注结果显示,我们提出的情绪分类体系能够较好的区分不同的情绪类别,同时取得了较高的标注一致性。其次,本文提出了一种基于句法信息的微博情绪识别方法。该方法是一种监督学习方法,将情绪识别看成一个二元分类问题。我们利用词性标注序列和句法树表示文本的句法信息,并分别从中提取词性标注序列模式特征、重写规则特征和二元句法标签特征,应用到机器学习分类算法中。该方法有效克服了微博文本内容短小、携带信息相对较少而带来的不利影响。实验结果表明,本文提出的基于句法信息的情绪识别方法相对于仅使用词特征方法能够获得更好的识别效果。最后,针对多个情绪类别中样本分布不平衡问题,本文提出了一种基于集成学习的微博情绪分类方法。该方法核心思想是利用随机欠采样的方式产生一组训练子集,在此训练子集上训练基分类器,最后融合所有基分类器的结果,得到最终集成学习的结果。实验结果表明,本文的方法能够充分的利用多类样本来帮助提高情绪分类效果,较好地解决了情绪类别样本分布不平衡问题。