随着网络论坛、贴吧等网络文化的兴起,用户越来越频繁地使用反讽——一种表达强烈情感的语言方式。反讽一般称反语,通常来说就是一种带有讽刺意味和反义内涵的语句,从字面上很难获取和理解语句真正要表达的意思,通常其真正的意思正好与字面上的意思相反,大部分时候需要从语境,甚至时事才能理解。这让网站管理者很难快速并且准确地了解用户的真实意图。给网络监管和舆情收集带来不小的阻碍。为了解决此问题,本文通过使用深度学习的方法,来分析和处理网络中的反讽文本,进而获取用户的真实意图和观点。目前反讽识别研究主要面临以下问题:（1）没有成熟、完整和准确的中文反讽语料和语料库供我们学习和研究使用;（2）网络文本大部分以简短,精炼的语言为主,难以获取语境信息,但是反讽识别恰恰需要通过语境分析出其内在含义;（3）由于文化的差异和语言习惯上的不同,目前相对成熟的英文反讽识别方法不能直接套用到中文反讽识别方法中。本文的反讽识别研究,目的是使用计算机技术理解用户反讽的句子背后的真实意思。之前的研究者尝试过许多人工标注的复杂特征,和各种各样的经典机器学习方法。本文研究探讨如何通过词嵌入（word embedding）和深度学习模型应用于反讽识别。本文使用了四种不同的模型,卷积神经网络、基于网络话题和特征词的卷积神经网络、基于网络话题和特征词的具有注意力机制的循环神经网络,和具有创新性的基于主题模式和注意力机制的循环神经网络。突破了之前识别反讽忽略语境的局限。其中卷积神经网络、基于网络话题和特征词的卷积神经网络、基于网络话题和特征词的具有注意力机制的循环神经网络,这三种模型针对无语境的网络短文本的反讽识别,例如Twitter和微博。基于主题模式和注意力机制的循环神经网络是针对有语境的网络文章的评论的反讽识别,例如贴吧下面的评论。本文人工标注了两种中文反讽语料:一种是无语境的网络短文本的语料集共计20000条,其中1933条是含有反讽的句子;另一种是有语境的网络文章评论的语料集共计2000篇文章和17067条相关评论,其中反讽的评论为1887条。结果在无语境的语料中,基于注意力机制的长短期记忆网络表现最好的F1值为85.9%,优于基准值。另外,在有语境的语料中,提出了基于主题模式和注意力机制的循环神经网络,突破了之前只分析单句,而忽视语境的短板,反讽识别的F1值为87.8%。