随着互联网的飞速发展,越来越多的用户愿意通过互联网发表自己的观点。对这些主观性文本进行分析和挖掘,从而识别出其中所蕴含的情感倾向,对于电子商务、舆情监控等众多领域有着重要的应用价值。因而情感分类问题正逐渐成为自然语言处理领域的一个具有挑战性的研究热点,本文主要研究基于半监督的文本情感分类问题。传统基于Co-training的半监督情感分类方法要求文本具备大量有用的属性集,其训练过程是线性时间的计算复杂度并且不适用于非平衡语料。本文提出了一个基本猜想,即子分类器意见一致的文本的预测准确率应该比那些子分类器意见有分歧的文本预测准确率更高,且分歧越大,预测的置信度将会越低。并在大量的数据集上用实验验证了这个基本猜想。基于这个猜想,本文提出了一种基于多分类器投票集成的半监督情感分类方法,通过选取不同的训练集、特征参数和分类方法构建了一组有差异的子分类器,每轮通过简单投票挑选出置信度最高的样本使训练集扩大一倍并更新训练模型。该方法使得子分类器可共享有用的属性集,具有对数时间复杂度并且可用于非平衡语料。实验结果表明我们的方法在不同语种,不同领域,不同规模大小,平衡和非平衡语料的情感分类中均具有良好效果。