随着互联网的不断发展，大量的用户在此类产品上都会留下评论以进行交流，这些文本的评论信息具有传播速度快、传播范围广、影响人数多等特点。那么对于这些评论文本信息进行深层次的挖掘无论在商业角度还是社会角度都十分有意义。学术界目前的研究重点是利用深度学习等机器学习技术将文本情感分为正向和负向两类。国内对于情感分析的研究发展比较缓慢，本文深入地研究了中文情感分析的相关技术之后，主要工作如下:
　　首先，提出了一种基于长短期记忆神经网络(Long Short Term Memory,LSTM)的改进方法。本文针对文本信息所蕴含的情感倾向不仅受到上文的影响，还受到下文的影响这一现象，通过将两个LSTM神经网络并行连接的方式，分别对文本数据进行正序和倒序处理，这样可以同时处理上下文的文本数据。随后本文利用第三方数据验证了该模型在处理文本序列上比传统的LSTM有着更好的表现。
　　其次，提出了一种基于改进分词算法的汉字向量化方法。本文主要讨论中文的文本情感分析方法，因此对于中文自然语言处理问题之中的分词技术进行了分析，在此基础上提出了一种基于词典的最大熵分词改进算法，通过比较该分词算法与传统词典分词方法，明确了该算法在中文分词领域的表现更胜于传统的词典分词方法。另外本文基于谷歌的Word2Vec模型提出了一种适用于中文的词向量化方式，并且利用收集到的文本数据验证了该方法对中文文本的词向量化的有效性。
　　最后，对提出的中文文本情感分析方法结果进行了验证。本文首先将手动截取得到的数据样本构建数据库，并将其分为样本集、交叉验证集和测试集，随后利用样本集和交叉验证集完成对两个神经网络模型的训练和参数调节过程，最终利用测试数据集对整个流程的情感分析的分类结果进行验证，并与第三方情感分析方法进行对比实验，进而证明了本文方法对中文文本情感分析的优越性。