近些年来互联网技术的普及程度加深,在网络平台上发表自己对于热点事件的看法和观点成为人们表达自己见解的一个重要的渠道。为了更好地了解广大民众的想法,将社交网络中的海量文本资源作为分析对象对舆情进行监控和分析逐渐成为了研究者们的一个关注重心。目前针对短文本的情绪分析的研究很多依然停留在情感极性的层面,细粒度的情绪分析依然没有统一的标准,单标签分类结果往往无法全面的反应用户的真实情绪。因此,多标签下的社交网络短文本情绪分析是具有很重要的社会意义和价值的一项研究。本论文主要是基于推特的内容进行分析,研究从文字中识别用户的情绪并进行分析的方法。本文的主要工作内容及贡献如下:(1)目前多标签的互联网短文本情绪标注语料库比较匮乏,为更好的对多标签情绪分类算法进行研究,本文设计了一种面向推特文本的情绪标注规则,根据标注规则完成了推特语料库的标注工作。标注完成的语料包含6500条推特,11338条句子,其中推特层级为多标签标注。(2)针对人工标注语料库时间成本和人工成本过高的问题,提出了一种自动化短文本情绪标注的方法,通过机器完成对文本情感极性和情绪倾向的标注,并在其基础上通过人工方式进行修正,大大降低了语料库情绪标注的人工成本。(3)考虑到主流的针对文本的情绪分析方法大多是单纯的多分类问题,本文进行了多标签情绪分析,在情绪分析环节,针对单独利用词语的句内特征进行文本情绪分析无法准确的分析互联网短文本情绪倾向的问题,本文对MLkNN分类器进行了改进,将句子的相邻句以及整体的推特情绪进行结合,对推特整体的情绪分析结果进行迭代修正。并在此基础上将标签相关性作为情绪分类的条件之一,对分析结果进行修正。改进后的算法在互联网短文本情绪分析的应用中取得了较好的效果。