随着互联网技术的普及,各种网络社交平台、电子商务平台快速兴起,越来越多的人在网络上发表自己的意见和看法。这些内容包括对社会热点问题的讨论、对特定产品的评价等等。在海量的短文本大数据中提取有价值的信息,对用户发表的短文本进行情感分类,不仅可以更好、更快地为用户推荐所需的信息,而且同时也可以帮助网络监管部门对网络舆论进行监管,及时阻止有害信息在网络上的传播。在短文本的情感分析任务中,导致情感分析准确率不高的一大因素是短文本的特征相对稀疏,这是由于短文本自身短小、内容缺失的特点所导致的,因此短文本难以提供较多的情感语义信息。针对这个问题,本文提出了一种基于情感特征的关键词联想短文本扩展算法,来缓解短文本稀疏性问题。该算法对传统TF-IDF进行改进并结合信息增益来实现情感关联度量化计算,并提出了一种用于文本扩展的词联想网络。该算法首先对文本进行预处理,然后计算文本中词的情感关联度量化值,筛选出关联度较高的词向量构成关键词集合,然后利用近义词库首先对关键词集合进行扩展。然后利用关键词集合与词联想网络进行联想生成候选关联词集合,最后再进行情感关联度计算,筛选出关联度较高的候选词集加入原始文本数据集,到达扩展文本特征的目的。同时,针对现有众多神经网络模型在语义信息提取的粒度控制上的不足,以及难以构造更深的神经网络结构的问题。本文提出了一种基于注意力的多尺度卷积和双向独立循环神经网络模型。该模型利用卷积神经网络在局部特征提取方面的优势,通过多种尺度卷积核来实现不同粒度的局部特征提取,并将解决了传统网络存在的梯度分层递减问题的独立循环神经网络引入其中,构造更深的神经网络,通过双向提取获得更加丰富的全局语义特征信息,最后通过注意力来进行情感贡献度加权,达到提高文本情感分类效果的目的。通过实验,本文所提出的深度学习神经网络模型与其他主流的模型相比,在同一微博评论数据集上的准确率有一定程度提高,模型的精确率、召回率以及F1值同样也都有不同程度的提升。最后,本文将模型集成到系统中,开发出了基于深度学习的短文本情感分析系统,实现了应用落地。