随着当前网络技术迅猛发展,越来越多的人开始在网络平台发表自己的观点和对事物的评价,从而产生了海量的文本数据。面对如此巨量的文本信息,有效对其进行分类和挖掘,提取文本隐含的情感信息具有重大的社会和商业价值。本文采用深度学习中的门控循环单元网络和自注意力机制,针对目前基于深度学习的中文文本情感分类方法中存在的问题进行了改进,并进行了基于字向量的中文文本情感分类研究。首先,针对中文文本情感分类采用一种预训练词向量会存在未登陆词或语义学习不充分而导致准确率降低的问题,提出了基于并行双向门控循环单元和自注意力机制的中文文本情感分类模型。该模型采用通用语料和原语料训练生成的两种预训练词向量进行文本表示,通过上下两个通道的双向门控循环单元网络来进行词语上下文信息的学习,并引入自注意力机制来进行词语权重计算,最终通过全连接网络来进行情感类别判定。在两个中文网络文本数据集上进行了实验,结果表明所提算法模型在两个数据集上的准确率分别达到了89.75%和77.65%,较采用一种预训练词向量的单通道模型准确率分别提升了1.5%和1.8%。其次针对目前中文分词算法存在歧义词识别和新词识别的问题以及网络文本不规范进一步加大分词难度而影响词向量训练和文本表示的问题,进行了基于字向量的中文文本情感分类研究。本文首先对两个中文数据集,以字为文本的最基本单位进行分字的预处理,然后使用word2vec工具进行字向量的训练,word2vec使用前馈神经网络来学习语料库中词语的语义知识,其基于上下文环境相似的两个词语具有相似语义的假设,通过在同一模型下进行基于字向量和词向量文本表示的情感分类对比实验,结果表明字向量优于词向量,可达到更高的准确率。同时也采用最新的BERT(Bidirectional Encoder Representations from Transformers,BERT)模型中文预训练向量进行了中文文本情感分类实验,BERT使用多层双向Transformer编码器来进行词语前后语义依赖关系的学习,并在训练过程中引入了“Masked语言模型”和“下一句子预测”任务来进行词语和句子级别表示的捕捉,实验结果表明BERT模型所训练的字向量具有强大的文本表征能力,在两个中文语料上达到当前最高的准确率。