近年来,随着互联网的广泛应用和网络技术的快速发展,越来越多的用户开始在互联网上发表自己的观点和看法。这些信息文本的长度通常都比较短,且文本语法结构不规范,但是这些海量的短文本中包含了用户丰富的情感倾向,体现了人们对各种事物的需求与看法。对这些信息进行分析,挖掘出其中蕴含的用户情感,可以给国家政府和企业了解社会舆情提供重要的参考信息,具有重要的研究价值。本文主要探索深度学习技术在短文本情感分析领域的应用与创新,提升深度学习模型在短文本情感分析中的准确性。首先,针对卷积神经网络(Convolutional Neural Network,CNN)在分类情感特征时使用的全连接层会破坏情感特征的空间结构信息,本文使用无全连接层的卷积神经网络结合支持向量机(Support Vector Machine,SVM)模型提出了 CNN-SVM模型。为了提升单分类器的性能,本文在CNN-SVM模型的基础上结合Bagging集成学习方法提出了 Multi-CNN-SVM模型。其次,由于卷积神经网络提取的情感特征缺少一定的上下文联系,而且文本语句中不同词语对文本情感的影响程度不同,本文使用能提取文本上下文关系的双向门控循环单元(Bidirectional Gated Recurrent Unit,BiRGU)网络结合注意力机制(Attention Mechanism)提出了 Attention-BiGRU模型。再次,针对数据样本不足的情况,本文使用小样本学习(Few-Shot Learning,FSL)方法结合注意力模型和孪生网络提出了 Attention-Siamese 模型。最后,本文分别对上述模型在当当图书评论数据集和Amazon的多领域情感分类数据集上进行实验验证。实验结果表明,本文提出的三个模型在短文本情感分析领域均获得了更好的准确率和F1值。