随着互联网技术的快速发展,许多网络用户以社交网站为媒介,通过用户评论、反馈等形式产生大量包含情感态度的数据。从数据中分析用户情感状态成为研究热点,这对个人、企业和社会都有很大的影响。情感分析一般是指分析一段文本所表达的情绪状态,是应用自然语言处理技术识别主观信息的任务实践。本文研究了基于情感词典、传统机器学习和深度学习方法在情感分析不同层次的工作,总结了情感分析的特点,在基于机器学习的情感分析模型的构建方面进行了深入研究。针对社交媒体中潜在的自杀倾向问题,依据领域分层分类方案,提出了基于分层支持向量机的微博用户自杀倾向预测模型。实验结果表明该模型对自杀群体的预测准确率达到0.848,可有效地对高自杀风险群体进行早期识别,用于自杀倾向检测和干预,同时发现微博发布时间和自杀风险概率之间存在正态分布关系。为了增强微博情感分析的领域适用性,本文在细化情感分类粒度方面进行研究,提出了基于卷积神经网络的细粒度微博情感分类模型(Fine-grained Sentiment Classification Model,FSCM＿CNN),该模型可以有效地学习文本的深层情感特征,进行多分类下的特征抽取,从而完成细粒度情感分类。使用NLPCC微博情感评测数据集在句子级和篇章级分别进行验证,均取得了较会议最优评测结果更优的性能。