互联网用户的不断增加引起了文本数据的大量增长,以及评论文本中用词的多样化、复杂化,单纯地依靠专家经验,或者是人工检索来处理这些海量数据显然是不可行的,因此更加智能化的自然语言处理技术对于解决这一问题就显得尤为重要。随着研究的深入,情感分析技术在文本处理中多有应用,本课题以深度学习及多任务联合学习为基础,针对细粒度情感分析存在的问题,做出以下研究:（1）针对卷积神经网络只能获取局部单词间的依赖关系,无法获取句子的整体结构信息,忽略了对目标单词与文本上下文关系的建模的问题,本文在GCAE模型的基础上引入了多头注意力机制,增加了对特定方面序列的建模,并在训练过程中学习二者间的交互关系,进而提出了GCAE-MHA（GCAE based on Multi-Head Attention mechanism）模型,该模型可以在训练过程中同时学习上下文和特定方面间的关系,用于捕获上下文序列中与特定方面密切相关的信息,进而增加了对特定方面的建模,弥补了原始的GCAE模型仅对上下文信息进行建模的不足。（2）针对情感目标对象的提取以及情感极性判别分开处理,只注重单个模型的训练学习方法,在处理过程中会忽视相关任务中可能提升目标任务隐藏信息的问题,本文引入更为先进的预训练BERT模型,提出了由共享层、信息融合层、输出层多个部分组成的GL-IJM（Global and Local Information Joint Model）模型。该模型建立在多任务学习方法基础上,有效利用了BERT预训练模型的强大特征提取能力,同时使用多任务学习框架将ATE与SPC任务进行联合处理,通过信息融合模块IFA将局部信息和全局信息进行融合,作为情感分类的特征,有效提升了情感分析总任务的效果。（3）论文最后在情感分析方法与数据可视化方法的基础上,调查研究了我国新冠疫情期间的社会舆论情感态势,并及时分析了疫情期间人们情感极性产生变化的主要原因,结合本文对情感分析所做的创新,对新冠疫情期间的舆论情感态势设计出情感分类系统模块。该模块能够有效地对疫情时期的网络舆情数据进行分类,精确地对网络舆论文本中的特定实体做出情感判别。使用户可以更加及时和有效地掌握舆情生态系统的状况,增强对不实舆论的管理,从多种视角和粒度掌握舆情发展变化的规律。