La red de aprendizaje multicapa anterior es fácil de caer en puntos extremos locales en el aprendizaje supervisado. Si las muestras de entrenamiento cubren suficientemente las muestras futuras, los pesos aprendidos de múltiples capas pueden ser bien utilizados para predecir nuevas muestras de prueba. Este documento estudia principalmente la investigación y análisis de la clasificación de sentimientos de texto corto de máquina basada en la red bayesiana y el algoritmo de red neuronal profunda. Primero introduce los algoritmos de red bayesiana y red neuronal profunda, y analiza los comentarios de varios software social como Twitter, Weibo y otras plataformas de comunicación emocional populares. Utilizando la tecnología de modelado, se diseñan revisiones populares para llevar a cabo investigaciones de clasificación sobre unigramas, bigramas, partes del discurso, etiquetas de dependencia y dependencias de tripletes. Los resultados muestran que el rango de precisión de clasificación es el más pequeño como 0.8116 y el más grande como 0.87. Estos valores se obtienen cuando los nodos de entrada de la característica de dependencia triple son 12,000, y el rango de error de reconstrucción de la máquina de Boltzmann está limitado entre 7.3175 y 26.5429, y la precisión promedio de clasificación es 0.8301. Se ilustran las ventajas de las características de dependencia triple para la representación de texto en tareas de clasificación de sentimientos de texto. Se muestra que la red bayesiana y la red neuronal profunda muestran buenas ventajas en la clasificación de emociones de texto corto.