近年来,得益于计算机技术的蓬勃发展和互联网设施的全面普及,全球互联网用户在各大网络平台上产出了海量的文本数据,为商家甄别用户喜好、政府监控分析舆情、平台挖掘用户兴趣提供了重要的数据支撑,而这一过程需要采用各种方法来深入探索文本中的情感信息,文档级情感分类便是其中之一。情感分类任务在经过长时间的发展以后,在许多场景都已有较为成熟的应用。然而,目前的情感分类任务仍有以下两大挑战:第一,网络平台中情绪表达方式灵活多变,单词语义常随使用环境的不同而不同,而目前的词向量表征方法将单词映射为一个固定的词向量,无法适应单词词义多变的特点;第二,现有的情感分类方法常常将文档作为一个基本输入单位进行处理,无法充分利用文档的层级结构信息,为进一步深入挖掘文档中的情感信息带来了阻碍。针对以上问题,本文研究了基于动态词向量与层级神经网络的文档级情感分类方法。本文创新点总结如下:（1）使用基于ELMo（Embeddings from Language Models）的语言模型生成动态词向量,该词向量可根据单词的上下文环境得到实际语义,解决了传统单词表征方法中多义词的问题,并在该单词表征方法的基础上提出了一种将BiGRU（Bidirectional Gated Units,双向门控循环神经网络）和CNN（Convolutional Neural Networks,卷积神经网络）相结合的层级神经网络HieNN-DWE,该网络不仅可充分利用文档的层级结构,而且可以结合BiGRU和CNN的优势,深入挖掘文档中的全局特征依赖和句子间的语义联系。（2）针对ELMo模型的不足,提出了基于情感词典的动态词向量生成方法SL-ELMo（Sentiment Lexicon based ELMo）,该方法在输入层引入情感词典和掩码语言模型,并在后续层中采用双向Gated CNN来提取单词的上下文情感信息,更加适用于情感分类任务,能进一步提升ELMo的语义表征能力。（3）设计了一个简要的中文文本情感分类系统,并在该系统上进行了中文情感分类实验,实验结果证明了本模型在中文环境下的有效性,可为在真实的生产环境下落地应用提供参考,具备一定的理论和实际意义。