由于互联网技术的迅猛发展,越来越多的用户喜欢在微博等社交媒体上发布自己的观点和评论信息,网络舆情数据也随之快速增长,对这些数据进行分析处理具有重大的价值。由于大学生是互联网大军中的主力,而且相对其他群体活跃度更高,因此高校舆情信息数据量更大,蔓延速度更快,这使得其管理变得更加困难,高校舆情危机频发,对高校造成了严重的负面影响。而对高校舆情信息的情感倾向性分析可以帮助高校的领导和学生工作者更好的了解公众对学校的看法和意见,从而更好的预防和应对这些危机。因此,挖掘出针对某些热点问题的高校舆情文本数据,并对其进行情感倾向性分析,对于保证高校和谐稳定发展具有重要意义。当前在文本情感倾向性分析任务上,深度学习方法是最热门的研究方向,然而现有的深度学习方法对中文文本的特征利用不充分,面向中文语料集的准确率有待进一步提高,另一方面,基于CNN的神经网络通常使用池化来提取数据特征但会导致信息丢失,而胶囊网络使用胶囊向量和路由机制克服了这个问题,并且还能够表示出局部特征之间的位置层次关系,因此本文将胶囊网络和CNN相结合来提取局部特征信息。同时,胶囊网络不能选择性关注文本中重要单词,其路由机制也有待改进。本文研究内容包括以下几个方面:(1)选取近年来一些高校热点事件,如翟天临学术门事件,从微博爬取并筛选出了10000条微博评论数据,再进行情感极性标注工作,制作出一个高校舆情数据集。(2)提出融合汉字形态学特征和HowNet的文本情感分类方法。该方法首先采用cw2vec模型和SAT模型分别训练出词向量;其次,用这两种不同的词向量分别作为该方法两个通道的输入,再结合注意力机制和卷积神经网络提取两个通道的特征;最后输出分类结果。在两个数据集上的对比实验结果表明,该方法在分类准确率上明显优于多种情感分析方法,验证了该方法在中文数据集上具有的显著优势,亦验证了该方法用于高校舆情文本倾向性分析的优越性。(3)提出一种基于注意力胶囊网络的文本情感分析方法。首先依然使用cw2vec模型和SAT模型分别训练出词向量并将其作为该方法两个通道的输入,再结合注意力机制和卷积神经网络提取两个通道的特征,进而输入胶囊网络中实现情感分类,还使用了静态路由机制,相比于动态路由机制具有更高的准确率,在高校舆情数据集上验证了该模型的有效性,并明显优于多种情感分析方法。