Con el rápido desarrollo de las plataformas de redes sociales, Sina Weibo se ha convertido en el principal medio para que los internautas modernos expresen opiniones y emociones públicas. Cómo obtener la tendencia de la opinión pública y analizar la emoción del texto de manera más precisa y razonable se ha convertido en uno de los principales desafíos para que el gobierno monitoree la opinión pública en el futuro. Debido a la escasez de datos de texto de Weibo y la complejidad semántica del chino, este artículo propone un modelo de análisis de emociones basado en el modelo de preentrenamiento Bidirectional Encoder Representation from Transformers (BERT), el Método de Gradiente Rápido (FGM) y la Unidad Recurrente Bidireccional (BiGRU), denominado modelo BERT-FGM-BiGRU. Con el objetivo de resolver el problema de la polisemia del texto y mejorar el efecto de extracción y la capacidad de clasificación de las características del texto, este artículo adopta el modelo de preentrenamiento BERT para la representación de vectores de palabras y BiGRU para la extracción de características del texto. Para mejorar la capacidad de generalización del modelo, este artículo utiliza el algoritmo de entrenamiento adversarial FGM para perturbar los datos. Por lo tanto, se construye un modelo BERT-FGM-BiGRU con el objetivo de análisis de sentimientos. Este artículo toma los datos de texto en chino de la plataforma Sina Weibo durante COVID-19 como objeto de investigación. Al comparar el modelo BERT-FGM-BiGRU con el modelo tradicional y combinar las características temporales y espaciales, se estudia más a fondo la tendencia cambiante del sentimiento del usuario. Finalmente, los resultados muestran que el modelo BERT-FGM-BiGRU tiene el mejor efecto de clasificación y la mayor precisión en comparación con otros modelos, lo que proporciona un método científico para que los departamentos gubernamentales supervisen la opinión pública. Basado en los resultados de clasificación de este modelo y combinado con las características temporales y espaciales, se puede encontrar que el sentimiento público está espacialmente relacionado con la gravedad de la pandemia. Debido al desequilibrio de las fuentes de información, el público mostró emociones negativas de miedo y preocupación en las etapas tempranas y medias, mientras que en la etapa posterior, el sentimiento público cambió gradualmente de negativo a positivo y esperanzador con la mejora de la situación epidémica.