在如今高度网络化、信息化的时代,掌握网络舆情是非常有必要的。2020年微博的日活跃用户量高达2.24亿,可见对于微博的舆情分析具有较高的研究价值和重要的社会意义。在舆情分析上,传统的文本情感分析存在情感词典不全、领域适用性差等问题;而机器学习分类方法存在细粒度不够、分类方法单一（多为二元分类）等问题。因此,本文提出了一个将情感词典和机器学习相结合的情感分类方法,并运用于微博的舆情分析。实验结果表明,比传统的舆情分析方法具有更高的准确率,有助于相关部门掌握舆情趋势并制定相应的对策。本文的第一部分工作。针对情感词典文本分类结果受限于词典的不足之处,对二元情感极性分类做出了改进,扩充了情感词典,针对具体事件构建领域情感词典、多维情感词典,将实验结果可视化,以便于在舆情分析的运用上能准确地分析多元化的民众情感。本文的第二部分工作。专注于机器学习聚类算法在具体事件上关键词的提取,主要分析了三种聚类算法的实验结果,对比分析了三种聚类算法的优劣,结合第三章的工作,在分析各个时间段内情感强度和极性波动的同时,提取关键词——民众关注的焦点,将其用于舆情分析,并通过数据可视化,实现一个舆情分析模型“情感波动—>关注焦点”的应用。本文的第三部分工作。基于前两章的工作,设计舆情系统并初步实现了主要功能,如对文本情感分类结果的可视化,并对舆情系统进行了测试,确保系统的运行可靠性。