随着中国-东盟互联互通不断深入,中国-东盟学术领域的情感分析研究就显得非常重要,不但在学术课题制定提供了有力支持,而且还为政府分析双边关系、预测机遇和风险等提供了数据上的支撑。但是现有的研究对于中国-东盟学术领域舆情分析展开的较少,因此本文基于CNN、RNN、LSTM等基础算法,结合学术领域文章的语法特点,提出了 AFSAM模型,展开关于中国-东盟学术领域情感分析的研究,不但具有一定的学术意义,而且拥有极高的应用价值。首先,通过基于Python的互联网爬虫技术,爬取关于“中国-东盟”的各领域学术论文内容,以学术论文的摘要部分作为主要分析对象;对爬取到的语料进行预处理、进行数据清洗、数据整合、数据标准化、分词、词嵌入等预处理操作。接着,构建了基于深度学习算法的情感分类模型。根据学术文章语料的语法特点,结合CNN的算法,提出了 C-AFSAM模型;由于C-AFSAM核心并不存在对语料时间顺序上信息的提取能力,因此结合RNN算法提出了 R-AFSAM模型;由于学术文章语料长度较长,R-AFSAM模型在长时间的序列上表现不好,于是结合LSTM的细胞结构,提出了 M-AFSAM模型,用于提高模型在处理序列数据时的记忆力。通过试验确定适合各个模型的超参数后,对比实验结果发现,C-AFSAM模型和M-AFSAM模型在准确率、查准率、召回率和F1值方面都有优异的表现。考虑到C-AFSAM模型试验表现不错、运行效率较高;同时M-AFSAM模型的试验表现最好,但M-AFSAM模型运行效率较低、花费时间较长,将两个模型进行融合以获取各自的优点,提出了基于CNN和LSTM的Combined-AFSAM组合模型,通过C-AFSAM模型中的卷积、池化操作对数据进行先期降维、提炼等操作,再由LSTM细胞进行深层次的数据挖掘等工作。通过实验、分析结果后,发现组合模型在准确率、查准率上有一定程度的提升,并且在运行效率上有极大的进步。最后介绍了中国-东盟海洋大数据平台的框架和结构,并将本文研究的学术领域文本分类模型融合到了大数据平台中的学术领域舆情监控模块。