互联网的迅猛发展使网络媒体对社会很多领域的影响越来越大,因此分析网络舆情具有极其重要的意义。在现有的网络舆情研究中,网络信息获取、检索、聚类等方面的基础性技术已经基本成熟并得到了大规模的应用,但是往往忽视对网民评论的情感倾向性因素。研究大多数从热点话题及其发现的角度进行舆情分析,而依据情感倾向性特性区分,目前研究的很少且不够深入。当前阶段,网络舆情倾向性分析遇到的瓶颈是:(1)到目前为止,由于有关自然语言处理技术的研究不是十分充分,所以基于语义模式分析的方法很难在实际中得到应用;(2)目前基于机器学习的倾向性分析方法都是监督学习的,这会导致分析效果取决于训练集的大小与质量,同时具有很强的领域依赖性,一旦本领域获取的知识不足时,就会使精确度下降或复杂性升高。针对上述问题,本文对网络舆情倾向性分析理论和技术方面进行深入研究,包括迁移学习、Markov逻辑网、不确定大超图等。通过跨领域知识迁移的分析方法——基于Markov逻辑网的多任务迁移学习,设计并实现了网络舆情倾向性分析系统。该系统能够充分其他领域已标注的知识,基于Markov逻辑网在知识层面上进行迁移,这样可以有效避免由于结构的不同而导致无法迁移的瓶颈,成功将其他领域已标注的知识迁移到舆情领域中,提高对舆情领域倾向性分析的精度。最后对模型加以实现,并对实验结果进行深入分析。通过与其他方法的对比,证明了我们的系统对网络舆情倾向性做出更正确的分析并且具有良好的抗噪性。