随着互联网的快速发展,网络情感文本的日益增多,其所包含的有价值情感信息也越来越重要,让人不可忽视。而情感分类作为一种能够自动判别文本情感方向的技术,已经被广泛的应用于观点挖掘、市场分析、舆论监督等领域中。然而,经典的基于机器学习的情感分类方法具有以下两方面的假设,1)需要有足够的标签数据用来训练分类器；2)训练数据和预测数据应该具有相同的数据分布。然而,这在实际应用中往往难以得到满足。为此,跨领域情感分类得到普遍关注,它能够有效的利用与目标领域具有不同数据分布的标签数据,减少人工标注标签数据的工作量。本文针对已有的跨领域情感分类方法展开研究,主要工作如下：(1)首先概述了跨领域情感分类的相关研究,包括研究背景,意义,以及当前的研究现状。(2)针对已有的特征选择方法无法直接应用在跨领域情感分类中的问题,提出一种面向跨领域情感分类的特征选择方法,并基于该方法,通过构建目标领域情感词典,实现快速的跨领域情感分类CSFS。实验结果表明该方法能够在不降低分类精度的情况下,大大提高跨领域情感分类的时间效率。(3)为解决同一特征在不同领域具有不同情感极性的问题,提出了一种通用子空间的构建方法(CSC),该方法利用领域独立特征构建通用子空间,并通过将领域依赖特征映射到该子空间来消减领域差异性,从而实现跨领域情感分类。实验结果表明该方法在分类性能上具有较大优势。