近年来,社交网络的兴起让网络成为人们交流互动的重要平台,网民们在网络社区发表如电影评论、产品评论等大量带有情感倾向性的文本信息,收集、整理、分析这些情感信息可以更好的理解用户行为,具有一定的商业研究价值。传统的情感分析任务大多依赖于复杂的特征提取,消耗大量的人力、物力,而人工智能在深度学习领域的飞速发展解决了这项难题。利用深度学习算法模拟神经网络学习事物,自动化的处理海量文本,分析情感倾向性已经成为目前研究工作的热点领域。论文总体上介绍了文本情感分析方法在深度学习领域的研究现状,分析了卷积神经网络(CNN)的相关技术特点。CNN处理文本情感分析问题时,受卷积核大小的限制会在一定程度上忽略上下文语义信息,进而导致情感歧义,同时对输入文本中极具情感倾向性的词没有赋予不同的关注度。为了弥补这些不足,在针对传统CNN模型改进的基础上分别提出了P-CNN模型和P-Att-CNN模型。P-CNN模型是在CNN模型的基础上,融合词性特征的同时采用了BERT预训练词向量,一方面能在某种程度上缓解一词多义的影响,另一方面BERT所采用的深度双向Transformer结构可以密切关注词与词、句与句之间的语义联系,能够实现更好的语义理解。P-Att-CNN模型是在P-CNN模型的基础上,在P-CNN模型中引入Attention思想,补充CNN善于捕获短距离文本特征的优势,改进模型学习的质量。本文针对以上两个改进模型分别设计了对比实验,实验结果表明,本文所提出的模型在文本情感分析任务中获得了较好的分类结果,相较于传统CNN模型,在精确率、召回率、F1值上都有了较为显著的提高。