随着互联网的迅速发展,社交网络服务(SNS)呈现爆炸式增长,越来越多的人开始习惯于通过微博来表达他们的观点和情感。对微博平台上海量的文本进行情感分析与挖掘具有巨大的应用价值,近年来成为一个新的研究热点。传统的文本情感分析方法需要依靠纷繁复杂的特征工程,且难以适应微博文本简洁、多样、不断变化等特点。近年来,深度学习技术在自然语言处理领域取得了越来越广泛的应用,本文利用深度学习技术对现有的微博情感分析模型和方法进行优化改造,设计了两种深度学习模型:首先,考虑到微博句子中的每个单词对句子整体情感表达的重要程度不同,将注意力机制(Attention Mechanism)运用到基于双向门控循环单元(Bi-directional Gated Recurrent Unit,BGRU)的神经网络中,设计了一种 BGRU-Attention神经网络模型。BGRU能够有效捕获文本长相关性特征,注意力机制可以在模型合成高层情感特征时,给予重要单词更高的权重,而且有利于提高深度学习模型的可解释性。实验证明,BGRU-Attention模型在英文微博情感倾向性分析问题上,相较于传统的基于支持向量机的模型和其它深度学习模型有更好的效果。对Attention层进行可视化表明,模型选择了情感倾向性更强的单词给予了更高的权重。另外,本部分还组织了多组对比实验,探究预训练词向量的质量对BGRU-Attention模型效果的影响。然后,针对BGRU神经网络对细粒度情感分类效果有限的问题,结合基于双向门控循环单元的神经网络和卷积神经网络(Convolutional Neural Network,CNN),设计了一种BGRU-CNN神经网络模型。将BGRU和CNN的优点结合起来,利用CNN来强化局部重要特征的捕捉和提取,增强BGRU的健壮性。并采用层次结构分类方法进一步提高了模型在细粒度微博情感分类任务上的效果。在NLPCC2014中文微博情感分析数据集上进行实验,取得了比传统模型和方法更好的分类效果。通过一系列对比实验表明,利用深度学习技术可以有效提高微博情感分析的效果,并且本文设计的两种改进方法进一步提高了微博情感分析效果。