随着中国-东盟互联互通不断深入,对于中国和东盟国家的网络舆情研究尤为重要,现有对于中国-东盟民间舆情分析的研究相对较少,因此本文基于深度学习算法展开中国-东盟微博情感分析,研究具备较强的理论意义和实用价值。首先,采集并筛选了与“东盟”话题相关的微博评论数据作为本文的实验数据集。基于微博数据的特点和结合民间舆情观测库需要,提出CONV-SAWB和LST-SAWB情感分析算法。进行超参数调优实验和网络模型训练,利用训练好的模型对测试集进行预测分类,通过实验结果对比表明CONV-SAWB和LST-SAWB的各项评价指标都优于SVM,表明深度学习模型比传统机器学习模型能更好地进行中国-东盟微博情感分析。其次,由于CNN只进行局部特征提取,LSTM计算量大且对长文本的上下文联系会减弱。研究将两种算法进行结合,提出CLST-FMSA融合算法,利用CNN提取特征能力降低数据计算量以及LSTM的学习记忆能力更好地进行情感分类。虽然LSTM拥有长期记忆功能,仍无法对句子的后面信息进行获取,仅依靠前面的历史信息是不全面的。因此对LSTM网络进行改进,提出CBLS-FMSA融合算法,使其能综合前文信息和后文输入序列对情感极性进行整体分析。考虑到某些特殊情感词包含的信息对情感分类会产生关键影响,提出Att-BLS-FMSA融合算法,将注意力机制引入到双向长短期神经网络,提高语义特征中重要部分的权重来生成最终的文本特征。进行实验对比分析发现多模型融合比单模型更精准地做出情感分类预测,其中Att-BLS-FMSA融合算法的情感分类效果相比其他算法更具优势。最后,将本文提出的多模型融合应用到中国-东盟海洋大数据平台情感分析上,用户可以查询东盟各国的情感极性、各类指标得分情况。不仅满足中国-东盟海洋大数据平台对民间舆情观测的需求,而且为民意调查和舆情控制提供数据有力支持,为政府分析双边关系和预测风险提供决策支撑,充分体现了本文研究成果的实际价值。