随着互联网时代的兴起,人们更加青睐于通过网络发表个人言论,同时负面舆论也在互联网上如病毒一般急速蔓延。微博作为一种使用较广的信息获取和交流沟通工具,是反映网络舆情的重要媒介,其热点话题下面的评论反映大家对该话题的情感倾向。微博评论情感分类有利于舆论监督、维护网络环境安全,也为政府制定相关政策提供参考。本文研究了基于深度学习的微博评论情感分类,主要工作如下。首先,针对微博中使用图片进行评论以躲避系统检测的问题,采用基于tesseract的光学字符识别技术将图片的文字转化为文本信息,解决微博图片评论不能直接被文本识别系统检测问题。同时,介绍了传统的文本表示方法、word2vec和词频逆文本频率基本原理,针对传统文本表示方法中存在特征维度高与未考虑上下文语义关系的问题,提出一种word2vec结合词频逆文本频率的文本表示方法,与单独的word2vec或词频逆文本频率对比具有更强的特征提取和表示能力,并实现特征降维。然后,针对传统的情感分类模型中存在分类准确率较低的问题,提出一种基于长短期记忆网络的双通道字词特征融合的微博评论情感分类模型。该模型使用词频逆文本频率加权的词向量和字向量作为双通道特征输入给双向长短期记忆网络进行学习,并将特征融合结果输入长短期记忆网络进一步学习,最后通过全连接层输出情感分类结果。通过实验验证,该模型相比于其他模型在微博评论分类中具有更高的分类评分。最后,基于该分类模型设计微博评论情感分类软件。该软件通过网络爬虫获取微博的文字和图片评论,并输入提出的基于长短期记忆网络双通道字词特征融合的微博评论情感分类模型进行分类,逐条判定评论是正面评论或负面评论,并统计得到情感分类占比,同时根据分词结果统计词频,绘制词云。