在过去的十几年,随着各种社交媒体的迅速发展,越来越多用户通过社交媒体发布大量与健康问题相关的信息,基于人工智能的方法研究这些信息取得了大量的成果,但也存在诸多挑战。一方面,通过公众发布的社交媒体数据,可以研究出他们对一些公共健康问题的态度,但这些通常都是无标注的,深度学习模型难以发挥优势,而大规模标注数据的代价又十分昂贵。另一方面,通过用户发布的隐含个人健康问题的信息,一些研究聚焦于潜在的抑郁、厌食等精神健康问题的检测,为及时干预提供了支持。但现有的个人精神健康检测模型通常没有考虑数据类别不平衡对模型的影响,并且现有模型对融合领域知识进一步提升模型性能的研究也存在不足。针对相关标注数据集有限的问题,本文提出了三种基于迁移学习的公共健康问题的态度分析模型。一种是分别迁移静态词向量和动态词向量ELMo后,经双向门控循环神经网络和注意力机制进行处理。另两种是分别用少量标注的数据对预训练语言模型GPT和BERT进行微调。最后,三种模型在推特HPV数据集上的实验结果表明提出的三种基于迁移学习的模型在分析公众对HPV疫苗接种问题的态度中表现出色,并且微调BERT模型取得了最佳表现。针对现有个人精神健康检测模型训练时,未考虑到的数据类别不平衡以及领域知识的问题,本文提出了一种知识增强集成学习模型用于检测个人精神健康。首先通过向Daily Posts中相应位置注入匹配的三元组信息得到包含了先验知识的新Daily Posts,然后经BERT嵌入层、双向门控循环神经网络层和注意力层得到知识增强的基分类器。最后,通过Ada Boost集成学习算法对基分类器进行集成减轻数据类别不平衡的影响并得到最终的个人精神健康检测模型。该模型同时在RSDD抑郁检测任务以及CLEF e Risk 2018厌食检测任务中取得的最佳表现表明其在精神健康检测领域中具有一定的可实践性。