随着互联网的全面普及,人们在微博、论坛、点评网站、购物网站等平台上发表的观点和评论数量呈指数形式增长。通过对这些数据进行收集、分析、挖掘,获取其中所包含的情感倾向,对于个人、企业和政府来讲具有重要的意义。随着互联网中文本数据的快速增长,人工智能的飞速发展,机器学习和深度学习的普遍应用,文本情感分析得到了学术界的广泛关注。本文首先通过对中文评论文本进行分析,结合文本数据的特征,提出了一种基于改进Transformer模型的二元中文文本情感分类方法。其次,由于二元文本情感分析所划分的标准过于绝对,不能很好的满足实际生活中的需要,提出了一种基于BERT模型的三元微博文本情感分析方法。本文的主要研究工作如下:针对现有的文本情感分类模型中存在的信息缺失、上下文关联不强等问题,对Transformer模型进行改进,使模型的训练难度减小,训练时所消耗的时间更少,模型的整体性能更佳。通过在原有模型的基础上增加新的rawkeys变量的方式对模型中多头注意力机制进行填充,并使用IN标准化方法和GELUs激活函数对模型进行优化,分析数据集中用户的情感倾向。实验结果表明,该方法能够有效地提高模型的整体性能,减少模型训练时间,有利于解决文本情感分类任务。针对中文文本一词多义而导致的文本情感分类性能不佳、准确率较低以及不能准确理解文本所表达的语义信息等问题,提出了一种基于BERT模型的三元中文文本情感分析方法。通过BERT模型内部的Transformer编码器捕获文本的相关特征,然后引入注意力机制,对模型所提取出的信息进行加权,突出关键信息。最后,利用Softmax函数对文本特征进行分类。实验结果表明,该方法在疫情期间新浪微博数据集上取得了较好的文本分类效果。