微博是国内使用用户较多的社交平台之一,它具有信息传递速度快、覆盖方面广的特点,人们在微博上可以针对某一事件进行评论,以此来表达自己的情感态度。通过对用户评论信息情感倾向的判断,不仅有利于管理部门的监控,对于谣言制止、舆情导向、市场营销等都具有非常高的应用价值。微博评论多以文本的方式呈现,并且规定评论字数不多于140个字符,属于短文本。对于微博评论这种短文本数据存在以下问题:首先,篇幅较短,导致可以捕获的有效信息较少,从而造成样本特征稀疏,在特征抽取方面很难做到精准抽取;其次,微博评论属于自由发挥,对于语法没有要求,因此很多评论语句是不符合语法规定的,这对于文本分类也增加了一定的难度;最后,评论中存在大量的流行词语,网络用语等,并且更新速度快,这导致了文本噪声的增多。本文针对以上问题对微博评论进行情感分析方法研究。主要工作内容如下:（1）采用爬虫技术在新浪微博进行评论数据爬取,并进行数据预处理,包括过滤无效字符、分词、去除停用词等操作,最后形成可用于实验的微博评论语料资源。（2）采用Bert模型对文本进行向量化表示,它能够充分考虑词的左右两侧的信息,从而获得更深层次的含有上下语义信息的向量表示（3）根据微博评论数据具有涵盖词汇杂,语法特征不明显等特点,本文提出基于TextCNN-BiLSTM的二输入的Adaboost模型。利用Adaboost算法使得进行局部特征提取的TextCNN模型与进行全局特征提取的BiLSTM模型并行处理评论数据,通过两种模型相互的反馈调节,调整错误分类样本,最终得到强分类器,以加强分类效果,提高分类准确度。同时为了降低噪声影响,在TextCNN模型基础上引入了注意力机制。（4）将本文提出的分类模型与多组深度学习分类模型进行对比验证,并对实验结果进行分析总结。