随着互联网的快速发展,我们可以从网上获取的信息和资源也在呈几何级数的增长。对于文本资源,尤其是用户主动发布的评论,进行挖掘和分析,识别出其情感倾向及演化规律,可以更好地理解用户的消费习惯,分析热点舆情,也可以为政府,企业和其他机构在决策时提供重要的依据。本文首先介绍了情感分析研究的动因,面临的挑战以及广阔的应用前景。然后聚焦于本领域研究的重点——情感极性分类上。对它的特点,关键概念和研究方法进行了较为详尽的论述。与传统的基于主题的文本分类相比,情感分类任务自身的特征使得在解决相关问题时,我们不仅要考虑问题的共性,更要结合问题特点,因地制宜。针对电影评论和产品评论这样的主观性文本中包含的情感倾向,本文运用两种基于不同思想的方法对情感极性分类进行了多角度的研究：(1)基于情感词典的情感极性分类方法。本文在以General Inquiry为情感词典的基础上,提出基于bootstrapping框架下的PMI-IR词典扩充算法,有效地提高了极性分类性能。并且融入具有情感极性反转作用的语义单元进行对比实验。实验结果在加入语义单元后得到明显提升。(2)基于机器学习的情感极性分类方法。本文结合实例对现今情感极性分类问题中存在的难点,进行了较为详尽的分析,提出了利用评论性文章最富于情感信息的后四分之一片段来构建特征空间的思想,并且经由多种文本特征选取方法以及Naive Bayes分类器和SVM分类器对多个主观性文本特征进行了对比实验。表现出色的实验结果证明了本文提取文本片段中情感信息方法的有效性。