随着我国网络技术普及度的加深,网络社交媒体中产生了海量的带有情感色彩的文本数据。研究者们根据情感表达中是否含有情感词,将其分为显式情感表达和隐式情感表达,由于我国网民更倾向于通过含蓄的方式来表达情感,所以中文的隐式情感表达数量非常庞大。对这些海量的隐式情感表达进行分析,是情感分析研究中不可或缺的重要部分,在舆情分析、升用户体验以及改进服务和产品质量方面,具有广泛应用场景和重要研究意义。本文对源自社交媒体平台的文本数据进行充分分析后,归纳了中文隐式情感表达中存在的两大问题:（1）情感表达中不具有明显情感特征的“弱特征”问题;（2）情感表达中具有多种情感倾向性且均不具有明显情感特征的“多混淆弱特征”问题。本文对面向社交媒体文本的中文隐式情感分析方法开展研究,基于源自社交媒体的文本数据,主要的目的是解决中文隐式情感表达中的“弱特征”与“多混淆弱特征”问题,以实现对中文隐式情感表达更有效的分析。本文主要的研究工作如下:（1）出“基于层级知识增强的多池化模型”。该模型通过层级知识增强的方式,对文本中不同级别的知识信息进行充分的融合学习,以缓解隐式情感中的“弱特征”问题;同时使用多池化方法,对学习到的文本表示进行多个特征的取与分析,来对隐式情感中出现的“多混淆弱特征”问题进行建模。本文出的方法在中文隐式情感公共数据上的对比实验结果表明,F1得分则相对最优模型高出5.9%,达到了最好水平。由此表明本文出的模型可以有效缓解“弱特征”和“多混淆弱特征”问题,能够较为准确的对中文隐式情感进行分析,证明了本文出模型的有效性和优越性。（2）出了“基于融合义原知识表示的中文隐式情感分析方法”。目的是从不同于上一研究点的角度,通过借助外部义原知识库来缓解“弱特征”和“多混淆弱特征”问题。该模型在对文本进行表示学习过程中融入义原知识,能够有效的对文本语义进行细致的述与刻画,升对中文隐式情感表达中低频词的训练质量,同时可以在学习到词语语义关联性的基础上,进行更接近文本本质语义的建模工作,对文本的理解能力进行增强。实验效果表明,本文方法的F1得分相对于其他对比实验高出3.33%,可以对中文隐式情感进行较好分析,在一定程度上缓解其中的“弱特征”以及“多混淆弱特征”问题,证明了本文研究思想的有效性与可行性。（3）搭建“中文隐式情感分析原型系统”。该系统集成了本文出的中文隐式情感分析模型。首先,实现对输入中文文本的预处理。其次,通过模型计算出输入文本对应的三种情感倾向性概率,并得到最终的情感分析结果。最后,将该输入文本的分析结果以可视化形式展示给用户。