随着社交平台等应用的飞速发展,海量的用户社交文本数据相继产生,为情感分析提供有利支撑,但有关情感分析的大部分研究仅聚焦于文本信息,忽略了表情符号的存在意义。在特定的场景下,表情符号往往比文本更容易凸显情感色彩。深度神经网络在情感分析等任务中发挥出色,但仍然存在一些挑战和问题。当文本被添加扰动或恶意破坏时,深度神经网络会因鲁棒性差而导致分类结果误判。本文针对上述问题开展研究,主要工作如下:（1）构建了包含大量表情符号的数据集。由于难以找到开源的并且含有大量表情符号的数据集。本文结合微博评论数量庞大、文本长度短等特点,收集整理了大量包含表情符号的评论,通过人工筛选后标注情感类别,为后续研究工作提供数据支持。（2）提出了一种基于表情符号的Skip-Gram模型和负采样方法,对表情符号向量进行嵌入。通过实验证明了表情符号嵌入算法的有效性,为含有表情符号的微博文本的情感分析提供了有力的支持。（3）提出了结合自注意力机制的双向门控循环单元网络（SA-Bi GRU）情感分析模型。自注意力机制能够计算词语间、表情符号间和词语与表情符号间的依存关系,双向门控循环单元网络,能同时捕获前向和后向的语义依赖关系。实验结果表明,将自注意力机制和双向门控循环单元网络进行结合,能有效提升情感分类的性能。（4）针对深度学习网络鲁棒性差的问题,并且为了进一步提升分类模型性能,本文对现有的基于同义词替换算法的对抗攻击方法进行改进,同时,结合微博文本特点,提出一种融合表情符号的文本对抗样本生成算法。在此基础上,将该方法引入对抗训练中,进一步提高了模型的鲁棒性和分类效果。