微博现已成为基于社交关系的浏览传播发布信息的综合类社交媒体平台,对微博的情感分析是目前自然语言处理(NLP,Natural Language Processing)领域非常热门的一个方向,也成为关注网络舆情的重要数据。在数字化信息爆炸的大数据时代,如何快速掌握大众情感走向,节约分析成本,是本文的研究目的。本文观察到微博中含有大量表情符号,这些表情符号所包含的情感信息不容忽视,甚至在一定程度上代表了该条微博文本的情感。如果可以划分出表情符号的情感类别,并用表情符号的情感类别代表其所在文本的情感,则可能节省微博情感分析工作约16%的工作量。在此基础上,本文提出一种基于表情符号来研究微博的情感倾向的方法,将情感分为细粒度的乐、好、怒、哀、惧、恶、惊七大类。利用Ansj分词工具和大连理工情感词汇本体库对微博文本进行分词和量化操作,采用词典和简单规则相结合的方法计算出微博的情感值并归类出情感类别和极性,赋予该微博中出现的表情符号,构建表情符号情感词典,判断构建的表情符号情感词典的准确性。初步实验结果表明采用词典和简单规则相结合的方法得到的情感值和情感极性经过修正后正确性能达到83.2%,而情感类别准确性太低。于是提出一种基于人工标注和表情符号关联的方法,人工标注部分表情符号的情感类别,制定规则对与已标注类别的表情关联度高的表情符号进行类别划分,依次迭代,判断出未标注的表情符号情感类别,更新表情符号情感词典,并判断是否能由微博包含的表情符号的情感来代表整条微博的情感。最终得到对乐、好、恶三类情感识别最佳,正确率达到90%以上,怒、哀两类正确率达到80%以上,惧、惊两类正确率超过70%,实验最终说明使用表情符号的情感类别代表微博的情感类别是可行的。