针对高等院校网络舆情分析与危机舆情预警的需求，文中对语义情感分析方法进行了研究。通过结合深度学习中循环神经网络（CNN）和心理学领域的注意力机制模型（Attention），提出了ATRNN网络。该网络使用长短期记忆结构（LSTM）作为RNN隐藏层的基本单元，可以处理任意长度的语义信息。网络通过引入Dropout机制，避免网络训练中的过拟合现象，提升训练效果。为了评估模型效果，文中在NLPCC的开放数据集上进行测试。相较于RNN网络，在正面情绪文本上，准确率、召回率和F1可以提升3.3%，1.7%和2.5%；在负面情绪文本上，可以提升4.4%，4.5%和4.4%。

针对高校对校园论坛及相关网站上的网络舆情无法实现有效监控、分析及预警等问题，文中研究和设计了一种基于爬虫网络的舆情分析预警系统。该系统首先利用网络爬虫技术对相关网站上感兴趣的原始数据进行爬取，然后通过预处理模块对获取到的数据进行去重、消噪及特征提取，最后利用数据分析的方法实现网络舆情的分析与预警。系统的各项测试结果验证了该系统的可行性，同时表明该系统不仅能够实现预期的基本功能，且可以对获取到的舆情资源进行合理分类及情感色彩分析，辅助管理者作出更优的决策。

 针对规模化、精确化网络舆情分析的需求，文中对文本情感的分析方法进行了研究。通过结合深度学习中卷积神经网络（CNN）和循环神经网络（RNN）的优点，提出了多重卷积循环网络（CRNN）。该网络既保留了CNN深层次、拟合能力强的特性，又引入RNN中的长短记忆单元（LSTM），提升网络对于长文本序列的分析能力。基于该网络，其对网络舆情的分析方法流程进行了设计。仿真结果表明，所提出的方法在标准数据集NLPCC2013上，准确率、召回率和F1值相较于RNN、CNN网络分别可以提升约6%、2%和2%。