文本情感分析一直是自然语言处理领域中最受关注的热点研究方向之一。这一技术在社会、市场和医疗等领域中发挥着重要作用。特别是在心理健康领域,文本情感分析技术可以帮助心理医生在人群中快速筛查心理不健康的人员。随着以BERT（Bidirectional Encoder Representations from Transformers）为代表的各种预训练网络的兴起,文本情感分析取得了巨大进展。尽管如此,如何更有效地提取文本中的情感信息、缓解数据不平衡、实现跨任务域适应等挑战依然是文本情感分析的关键研究问题。本文的主要研究内容有:（1）提出了一种基于EMT-KBERT（Knowledge-enriched BERT for Emotion task）的情感分析算法。在现实生活中所采取的文本情感数据库一般存在样本量不充分和样本不平衡等问题,造成模型在测试阶段对于带有非常见情感表达的样本表现不佳。针对样本量不充分的问题,EMT-KBERT在KBERT的知识图谱层生成的句子树上增加情感词典分支,并相应地改进后续的嵌入层和可视层,使得模型在样本量不充分时,依然能够拥有充足的常识知识和情感知识。针对样本不平衡的问题,EMT-KBERT引入目标检测领域的Focal Loss,根据不同数据库的样本标签分布特点设计基于Focal Loss的损失函数,使得模型在训练时能够更关注少数类样本和困难样本,缓解样本不平衡问题。在公开的心理咨询问答语料库和EMECT微博数据库上的实验结果表明,EMT-KBERT使不同类别实现了更高的准确率、召回率和精确率。（2）提出基于BERT和对抗学习的跨任务文本情感分析算法IS-TAL（Input Standardization and Task Adversarial Learning）。情感分析任务主要分为句子级和细粒度级,其中细粒度级具体分为实体级、属性级、实体属性级等三种。目前,大多数的情感分析模型针对某一情感任务而创建,无法实现跨任务的情感分析。研究跨任务情感分析可使得模型能够学习能力更智能、泛化能力更强。为研究不同情感分析任务之间的知识迁移,实现跨任务学习,本文结合BERT的输入形式设计出不同任务之间的输入标准化方案,使得不同任务具有相同形式的输入。同时利用对抗学习,使模型能够学习到不同任务之间的共享知识,更好地将源任务域的知识用于目标任务域中。在四个不同情感分析任务的公开数据集中,所提出的跨任务情感分析算法可实现跨任务的零样本学习和小样本学习。