近年来,我国煤矿安全生产的形势不断好转,但与发达国家相比还是具有较大的差距。为了我国煤矿生产的不断优化发展,国家出台了一系列相关的安全生产政策,发布了统一的煤炭行业安全生产隐患信息标准,但随着煤矿生产的不断开展,煤矿安全隐患数据与日俱增,又带来了一系列新的问题,一方面如何高效准确地的分析这些海量的数据,而这些海量的数据中文本型的数据包含了丰富的内容没有得到有效的挖掘,另一方面现有的方法都是采用人工方式对煤矿安全隐患进行分级,造成分级结果不够科学和严谨。针对上述问题,本文做了如下研究:本文着眼于文本型的煤矿安全隐患信息,对其进行情感分析,以基于深度学习的方法为基础,构建了基于多特征LSTM-Self-Attention和基于BERT的LSTM-Self-Attention两个文本情感分类模型,实现煤矿安全隐患信息情感自动分类的任务。在基于多特征LSTM-Self-Attention文本情感分类模型中,首先,人工构建了煤矿安全隐患信息专有词库,然后使用了传统文本情感分类的文本预处理方法,并且在传统的输入特征中加入了词性特征,接着使用Word2vec模型训练成计算机能识别的向量信息,最后利用LSTM网络模型提取文本的序列特征,并通过在模型中引入自注意力机制(Self-Attention),从序列特征中提取出句子的语法和语义特征,减少了任务的复杂度。在基于BERT的LSTM-Self-Attention文本情感分类模型中,首先,直接将文本使用BERT模型训练成向量信息,该模型解决了一词多义的问题并全面的表示了文本的特征。接着使用LSTM模型来提取特征,并且加入了Self-Attention来进一步提取远距离的特征,最后使用分类器进行分类,实现了文本情感分类任务。本文提出的两个模型有效避免了传统循环神经网络存在的梯度消失和梯度爆炸的问题,极大缩短了单词长距离依赖特征之间的距离,提高了分类效果。结果表明该方法特征提取能力更强,使得情感分类的准确率得到了提升。