近年来,法院工作已经成为互联网媒体和舆论关注的焦点,来势汹涌的网络舆情给法院工作造成了巨大的压力。面向案件微博评论的情绪分析有助于法院等相关部门及时了解和掌握案件微博舆情,然后进行舆情监控和传播引导。面向案件微博评论的情绪分析属于特定领域的任务,存在没有公共数据集、情绪表达具有领域性等研究问题,值得深入研究。本文研究面向案件微博评论的情绪分析方法,主要从以下几个方面开展研究:（1）案件微博评论情绪分析数据集的构建:带标注数据集的构建是有监督学习的基础,本文提出一种用于案件微博评论情绪分析的数据集构建方法。首先,从新浪微博平台采集了案件相关的微博评论数据。其次,根据案件微博评论情绪分类任务和情绪原因对抽取任务的不同需求,提出两种数据标注方法。最后,构建了案件微博评论情绪分类数据集和案件微博评论情绪原因对抽取数据集,为后面的研究奠定了重要的基础。（2）融合情绪知识的案件微博评论情绪分类方法:传统的情绪分类方法难以有效利用案件微博评论中常用的表情符号、领域情绪新词、否定规则以及程度副词规则等情绪知识。因此,本文提出一种融合情绪知识的案件微博评论情绪分类方法。首先,整合现有的情感计算资源构建了一个微博情绪知识库。其次,根据情绪知识库和考虑词性的作用定义了15种情绪知识,构建评论的情绪知识表示,并利用卷积神经网络和注意力网络提取深层的语义特征以及情绪知识特征。最后,融合语义特征和情绪知识特征完成情绪分类。在案件微博评论情绪分类数据集上的实验结果表明,本文方法相比基准方法更具有效性和先进性。（3）基于联合学习的案件微博评论情绪原因对抽取方法:情绪原因对抽取的基准方法是一种两步方法,存在误差传递问题。研究人员提出端到端的ECPE方法,称为ECPE-2D,可以克服两步方法的误差传递问题。但是,ECPE-2D保留了基于Bi-LSTM+Attention和Bi-LSTM堆叠的层次编码结构,存在不可并行处理和梯度消失等问题。为了更好地解决这些问题,本文提出一种基于联合学习的案件微博评论情绪原因对抽取方法。首先,基于预训练BERT和Transformer,联合学习情绪抽取和原因抽取,通过二维表示方案来表示文本中所有可能的情绪原因对。其次,采用一个二维Transformer模块来模拟不同情绪原因对之间的交互。最后,利用一个Softmax层来预测真实的情绪原因对。该方法将二维表示、交互以及预测整合成一个联合学习框架。在案件微博评论情绪原因对抽取数据集上的实验结果表明,本文方法相比现有方法更具有效性和先进性。（4）案件微博评论情绪分析原型系统:本文设计并实现了一个案件微博评论情绪分析原型系统。该系统集成了案件微博评论数据采集、案件微博评论情绪分类以及案件微博评论情绪原因对抽取等功能。为了方便用户更快速地访问服务,系统还提供了可视化界面。