情感分析作为自然语言处理的重要组成部分之一,其主要任务是识别和处理给定文本中包含的情感极性、强度等信息。目前情感分析技术广泛用于舆论监测、金融分析、决策支持等任务当中,对政府、金融、商业等领域产生了重要影响。以往的研究将重点放在情感词典的构造和特征提取方法的改进上,但其采用的方法耗时耗力不宜维护且迁移性差。近年来深度学习因其可自动学习数据特征的优势成为了自然语言处理的主流研究方法,然而该方法在处理情感分析时忽略了词序信息对分类结果的影响,且在提取句子结构和过滤无效信息方面也有不足。因此,通过改进深度学习模型来解决上述问题对于提高文本情感分析的性能有着重要意义。基于以上的考虑,首先,本文为了解决深度学习情感分析方法在获取词序信息和句子结构信息方面的不足,设计了一种结合Doc2vec的卷积神经网络模型CMCNN。一方面,将Doc2vec模型训练得到的段落向量作为卷积神经网络连接层的附加向量来提供传统词向量所欠缺的词序信息。另一方面,本文的CNN模型在池化层上与传统的CNN不同,采用Chunk Max Pooling策略保证CNN模型在训练过程中获取重要特征的同时保留其位置信息,从而使得该模型既能获取对情感分析有效的语义信息又能获取足够的句子结构信息。随后,本文在CMCNN模型的基础上又构建一个结合CNN和RNN模型优势的融合模型At-CMC&BR,一方面该模型结合了CMCNN的由局部整合至全局的特征提取能力、词序信息提取能力、句子结构信息提取能力和BiRNN的上下文关联信息特征提取能力,另一方面,本文在模型中加入能够增强关键信息权重的Attention机制,进一步提高融合模型在解决句子级情感分析上的性能。最后,本文将设计的模型与几个基准模型进行实验对比,结果表明CMCNN和At-CMC&BR均在IMDB和SST标准数据集上的得到了较高的分类准确性,验证了本文设计模型的有效性。