在互联网飞速发展的背景下,网络社交媒体发展迅速,微博在新媒体发展浪潮中,已经成为国内最大的社交媒体平台之一。将微博评论进行情感分类尤为重要。在大数据人工智能盛行的时代,情感分析技术逐渐被挖掘出来并且被推广应用,深度学习在情感分类方向的发展越来越火热。结合深度学习方法,发现目前较为火热的BERT（Bidirectional Encoder Representation from Tranformers）模型基于中文编码方式采用的字符级编码,而英文编码采用的是词级编码,这在一定程度上会导致模型中文分类的效果不如英文分类;目前深度学习模型存在冗余度高,过度参数化导致的计算速度慢、内存消耗大的问题。本文针对以上问题对已有算法进行改进,旨在构造精确、高效的微博评论情感分类模型。本文主要创新点如下所示:为了消除中文编码的限制性,本文基于深度学习主流算法,构建融合算法BERTCNN（Bidirectional Encoder Representation from Tranformers and Convolutional Neural Network）,同时利用BERT的语义提取能力以及CNN局部特征提取能力以消除BERT字符级编码带来的影响,提升模型分类效果。利用BERT获取具有句子全局特征（语义、语序、上下文联系等高阶特征）的字向量,将字向量输入到CNN中以获取更精确的分类结果。并与ELMo-CNN、GPT、BERT做对比。在本文数据集以及simplifyweibo＿4＿moods公开数据集上测试结果表明,BERT-CNN的Micro＿P、Micro＿R、Micro＿F1相较于其他三个模型均有不同程度的升高,实验证明,BERTCNN具有更好的文本分类效果,证实了我们的方法具有强大的捕获句子中语义能力以及良好的分类性能。针对BERT-CNN模型存在过度参数化、计算速度慢、内存消耗大的问题,采用新型压缩方法-逐步替换法,将其压缩为GRBERT-CNN模型。该方法优势是前期让原始模块与替换模块一起进行训练,这种训练方法可以让替换模块更好的继承原始模块的“特征”;该方法采用了两种替换策略:恒定替换策略和非恒定替换策略;后期将所有训练完的替换模块组合成新的压缩模型来替代原始模型,最后进行微调。该方法不要额外的损失函数,依然采用微博评论分类任务的损失函数。GRBERTCNN模型相较于BERT-CNN模型,其精确率仅下降了1%-2%,保留了其97%的性能;模型大小由112M降低为62M,降低一半左右;运行时间由2.9h减少到1.3h,运算速度翻倍以及内存占用率明显降低,解决模型运行速度慢、计算量大以及内存消耗的问题,同时也证实了该方法的可行性。