近年来世界上危机事件频发,无论是由于自然灾害还是人为因素,都对公众的身心健康造成了极大的影响,尤其是产生强烈的惧怕、惊恐等一系列的情绪反应。再加上当今社交网络发布信息的随意性,更是造成了大众的集群式恐慌。因此,在突发公共事件中如何有效的管理和控制公众的危机情绪,是非常重要的。当今社交网络高度发达,是公众表达情绪的一个重要平台,世界上很多事件的不断发酵都与社交网络的传播、群体聚集相关,因此,对社交网络上的潜在的危机情绪进行有效的识别和分类至关重要。本文采用LSTM（长短期记忆网络）与Self-Attention（自注意力机制）相结合的方法设计模型,并基于框架语义学构建危机情绪分类词典,达到对危机情绪准确分类的目的。本文主要完成的工作内容如下:首先,梳理了国内外与危机情绪分类相关的文献,明确了危机情绪的概念和相关理论。然后,在理论分析的基础上结合社交网络评论数据的调查,确立了适用于危机情绪分析的分类体系。进而以框架语义理论为指导,以新浪微博用户评论文本为研究对象,构建了中文危机情绪分类词典。在分析了神经网络算法的优势与存在的问题后,构建了LSTM和Self-Attention相结合的危机情绪分类优化模型。通过大规模社交网络评论文本的实验,检验了LSTM、情绪词典、Self-Attention等方法的不同组合对危机情绪分类的效果,结果表明,加入情绪词典和自注意力机制后的模型分类准确率明显高于单一的LSTM模型。本文的研究结果为危机情绪的相关研究提供参考,为危机事件管理和防控工作提供技术支持。