在互联网快速发展的今天,研究如何高效准确的对不断膨胀的文本数据进行处理,从中挖掘出潜在的情感倾向信息,已经成为了自然语言处理领域中重要的研究任务之一,具有重大意义和应用价值。在情感分析任务中,由于传统方法存在一些缺点,基于深度学习方法得到了快速的发展并成为主流。当前存在着很多高质量的情感知识和语言资源(如情感词汇,否定词,强度词)在传统情感分类方法中起着至关重要的作用,但是这些高质量的情感知识和语言资源在最近的深度神经网络模型(如Bi LSTM)中很少受到关注,没有被充分的利用起来。另外,可以看作是一个序列建模任务的情感分析存在着解码序列长度问题,序列长度的大小会影响到最后文本情感分类效果。针对这两个问题,本文使用了专门用于序列建模并具有上下文语义捕获能力,可以将之前记忆的词语应用到当前语义下等特点的双向长短期记忆网络(Bi LSTM)模型,用来作为构建情感分析模型的基本模型。本文主要进行了以下研究:1)本文通过在序列Bi LSTM模型上建立多个通道特征向量输入,来充分利用这些语言资源。还提出了一种自注意力机制,将多通道特征输入向量和Bi LSTM模型的隐藏层输出相结合,用来缓解文本的解码序列长度问题。最后,分别在中文数据集COAE和英文数据集MR、SST-5、SST-2上进行了实验,表明了本文提出的MFSA-Bi LSTM模型在分类准确率上优于其他基准模型,并且模型能够在一定程度上缓解文本序列长度问题。2)在MFSA-Bi LSTM模型的基础上,本文提出了MFSA-Bi LSTM-D模型,专门用于文档级文本情感分类任务。最后在两个文档级英文数据集YELP3和IMDB上进行了对比实验,表明了MFSA-Bi LSTM-D模型在分类效果上优于其他情感分类基准模型,而且比MFSA-Bi LSTM模型更适合文档级文本情感分类任务。