随着信息化技术的发展和成熟,互联网已经在精确化和智能化的方向上得到了长足的发展,具有信息多样性、传播即时性和全民互动性等特点。2019年12月,新冠疫情突然爆发,随后席卷全球,其相关话题时至今日依然是全球关注的热点话题。新冠疫情相关舆情以新浪微博为代表的网络社交媒体平台为媒介,裹挟着网民们的情感迅速传播,消极的情感极易造成恐慌情绪,影响互联网生态和社会的稳定。因此及时把握舆情走向,正确引导舆论情感成为维稳工作的重中之重。随着深度学习技术的普及和发展,计算机能够更加高效的处理文本数据,逐步取代了舆情监测的人工模式。本文实现了一种基于深度学习的新冠疫情网络舆情监测系统,本文主要工作包含如下几个方面:（1）数据采集与预处理:针对缺少新冠疫情情感数据集的问题,本文采用Scrapy分布式爬虫框架,设计并实现了新冠舆情相关微博文本的爬取。将数据集进行情感倾向标注并采用正则表达式、jieba分词、哈工大停用词表等数据预处理方法对原始数据进行清洗、分词、去停等预处理,最终得到情感倾向识别所需的数据。（2）情感倾向识别:针对微博文本长短不一、多流行用语的特性,为了能更好地完成舆情监测任务,本文提出了基于BERT-BiLSTM的情感倾向识别模型。BERT（Bidirectional Encoder Representations from Transformers）预训练语言模型能够从多个维度生成更丰富的语义特征信息;双向长短时记忆网络（Bidirectional Long Short Term Memory,BiLSTM）模型在文本上下文的特征提取的能力上更优,最后经过全连接层和softmax分类器后输出情感倾向识别结果。BERT-BiLSTM模型有机结合了两个模型的优点,可以同时满足局部和全局特征信息的提取。将该模型与其他深度学习模型进行对比实验分析,证明了该模型在情感倾向识别任务里的有效性和优越性。（3）系统实现:通过对舆情监测系统的需求分析,选定系统开发工具,设计并实现系统。新冠疫情网络舆情监测系统功能主要包括用户注册登录、舆情概况总览、情感倾向分布、舆情词云展示等。各个功能模块以可视化图表的形式呈现给用户,提高了用户的整体使用体验。