文本情感分类是利用计算机技术对含有情感特征的数据进行处理,它能够识别和提取文本中的主观信息。由于基于传统方法的文本情感分类对特征信息提取的不够充分,而基于深度学习的文本情感分类方法可以改善这一问题,因此,深度学习成为了文本情感分类的主要研究方法。论文为了提取更多的特征信息,提高分类准确率,提出了非静态的FastText词向量模型和Attention-CNN的融合模型。论文的主要研究内容如下:（1）提出了一种基于非静态的FastText词向量的方法。该方法通过FastText模型进行词向量训练得到初始的词向量矩阵,并在训练过程中作为参数训练,通过不断进行调整和更新,使得词向量更加适用于该文本情感分类任务,获得更多词语之间的语义和语法关系,从而提高分类准确率。在卷积神经网络进行文本情感分类实验,与静态的FastText、Word2Vec和Doc2vec模型进行相比,非静态的FastText模型在公开的评论数据集上,准确率提高了2.54%、6.22%和4.82%;在酒店评论语料库上,准确率提高了1.84%、6.22%和5.10%。（2）提出了一种基于Attention-CNN的融合模型,该模型结合了卷积神经网络、门控神经网络和注意力机制,针对卷积神经网络无法捕获长距离依赖关系,提取的特征不够充分的问题,首先通过实验确定了相关超参数的取值,包括Dropout值、batch-size参数和激活函数等;然后进行了模型对比实验,与CNN、LSTM和GRU相比,基于Attention-CNN的融合模型在公开的评论数据集上,准确率提高了 4.70%、3.66%和2.95%,在酒店评论语料库上,准确率提高了 3.61%、2.88%和2.03%。（3）构建了文本内容情感分类系统。该系统验证了基于非静态FastText词向量和基于Attention-CNN的融合模型的有效性,用Python对该系统进行实现,通过可视化操作可以清晰地展示分类结果的具体细节,在生活中有一定使用价值。