统计学习本质上是以数据为研究对象，借助计算机、数学、概率论等多个学科的综合知识来搭建模型，从中提取数据的特征最终回到对数据的分析。文本情感分析作为统计学习领域的一大研究内容，以用户在各种媒介上留下的非结构化文本数据为研究对象，对其进行统计分析并从中挖掘出有价值的结构化信息，目前已被广泛应用于舆情监控、金融分析和商品推荐等方面。
　　近年来，深度学习在处理词性标注、摘要抽取、文本分类等各项自然语言处理任务中取得较好的成绩，深度学习将数据进行分布式表示，通过构建复杂的网络结构可以学习数据深层的抽象特征，避免了繁琐的特征构建工作，使模型具有良好的泛化能力。因此，本文主要研究深度学习模型，将其应用于网络评论的情感分析，具体研究内容如下：
　　（1）介绍了基于词典和基于机器学习的两种传统情感分析方法，详细分析了它们的算法流程和优缺点。
　　（2）阐述了卷积神经网络、长短时记忆网络等深度学习模型的基本原理，提出一种结合卷积神经网络和长短时记忆网络的情感分析模型，该模型将文本用训练好的词向量表示，采用并列的两层卷积网络来学习文本的局部特征，同时堆叠了长短时记忆网络用于学习文本中隐藏的序列特征。实验结果表明，和传统的机器学习方法以及几种深度学习模型对比，该模型表现出更好的情感判别性能。
　　（3）在（2）的基础上，本文又提出了一种新的情感分析模型，该模型主要利用多个子训练集和子模型来对单独类别的特征进行更细致化的提取，提取到的特征对于单独类别的判定具有较强的表征贡献。实验结果表明该模型在积极、消极、中性三种情感判别任务上表现出良好的性能。