本文将深度学习情感分析的过程分为文本输入层、词嵌入层、特征提取层、Dense层和情感分析输出层。其中预训练语言模型和特征提取模型对情感分析的效果有着至关重要的影响,本文通过预训练语言模型的选取及特征提取模型的构建两方面来对情感分析做了深入的研究。主要包括以下工作:（1）构建三种基于Glo Ve（Word Representationfor Global Vectors）预训练语言模型的BiLSTM（双向长短期记忆神经网络）结合CNN（卷积神经网络）特征提取模型,分别为BiLSTM-CNN串联特征提取模型、CNN-BiLSTM串联特征提取模型和CNN+BiLSTM并联特征提取模型。实验发现,在IMDB电影影评数据集上,通过对三种特征提取模型进行超参数调优后,Glo Ve-BiLSTM-CNN情感分析模型预测的准确率比Glo Ve-LSTM情感分析模型提升约2.3%、比Glo Ve-CNN-BiLSTM情感分析模型提升约1.1%、比Glo Ve-CNN+BiLSTM情感分析模型提升约1.0%,证明本文构建的BiLSTM-CNN特征提取模型的情感分析方法的有效性和可行性。（2）提出一种基于BERT（Bidirectional Encoder Representations from Transformers）预训练语言模型结合本文构建的BiLSTM-CNN串联特征提取模型的BERT-BiLSTM-CNN情感分析模型。并在IMDB电影影评数据集上,分别与BERTLSTM、BERT-BiLSTM、BERT-CNN情感分析模型进行情感分析,实验表明BERTBiLSTM-CNN模型在情感分析预测的准确率、精确率、召回率以及F1值上均优于对比模型。其中,BERT-BiLSTM-CNN模型相比BERT-LSTM模型预测的准确率提升约1.4%,相比本文构建的Glo Ve-BiLSTM-CNN情感分析模型提升约1.44%。预测效果也表明BERT预训练语言模型整体优于Glo Ve模型,验证本文所提BERTBiLSTM-CNN情感分析模型的有效性和优越性。