情感分析一直以来都是一个重要的研究领域,它在电商平台、舆情分析、个性化推荐、网络监控等方面都起着重要的作用,但目前比较成熟的研究都仅是基于文本的单一模态。随着互联网技术的发展以及社交媒体的推广,社交媒体中用户情感的表达和对事物的评价已不仅仅局限于文本,人们越来越喜欢通过文本和图片等数据形式在社交媒体上表达个人观点、评论某个事件以及情感抒发。社交媒体中图像饱含情感的信息比文本更丰富,但是若仅考虑图像的情感,就会忽视上下文的背景信息,导致情感识别不准确。因此本文将图像和文本特征融合实现二者联合的情感分析,主要的研究内容包括:（1）在文本情感分析过程中,为了保留社交媒体文本表述口语化、日常化的特点,在社交媒体中收集的网络热、流行词、搜狗输入法中的流行语以及jieba分词后的微博数据集结合中文维基百科词库输入到Word2Vec进行词向量的训练,然后建立自注意力机制的BiLSTM情感分类模型,实现保留社交媒体中文本表述特点的情感分类,进而提高模型分类的准确率。（2）在图像情感分析过程中,提取图像颜色特征、LBP纹理特征、以及使用VGG19网络模型提取深度语义特征,然后利用lp-范数多核学习将图像多特征融合进行图像情感识别,通过与仅使用神经网络进行图像情感识别的模型进行对比实验,验证图像内特征间互补性,该方法能够缓解图像底层特征和深度特征间的语义鸿沟,从而有效的提升了分类准确性。（3）对于图像和文本特征融合,将文本和图像的特征分别进行特征层和决策层的特征融合,将融合后的特征输入分类器实现情感分类,并与文本的情感分类、图像的情感分类进行实验对比分析得出,将二者特征融合的情感分类准确性更高,准确率达到了91.47%。相比于单一使用文本的分类结果提高了 3.30%,单一使用图像的分类结果提高了 4.94%。