情感分析技术旨在挖掘数据中蕴含的人类情感,被广泛用于舆情分析、智能商业等领域。细粒度情感分析从微观角度的方面词出发,捕获句中各个方面词的情感极性,提供更加细致的情感信息。细粒度情感分析的核心在于准确提取修饰方面词的意见词,但当今的主流模型在处理复杂句式结构的上下文时,存在多方面词与其意见词难以匹配的问题。此外,当文本句中含有反讽表达时,常规的情感分析方法难以推断出正确的情感极性,而反讽检测方法能有效处理这一问题。反讽检测的关键是捕获输入数据中的不一致性。目前,结合文本、音频和视频等信息的多模态反讽检测方法逐渐成为主流,但在进行多模态信息融合时,未考虑不同模态信息在时序上的关联性存在差异。针对上述问题,本文进行了以下研究:（1）为解决复杂句式中存在多方面词与其意见词难以匹配的问题,本文提出了基于意见词分布的细粒度情感分析方法。首先,设计了意见词分布信息提取策略,即利用句法和词法信息提取目标方面词所依赖的意见词分布信息。然后,使用BERT预训练模型对上下文进行编码。并使用分布信息构建意见词分布向量,对上下文向量进行特征变换,去除上下文中无关词产生的影响,得到准确反映方面词情感倾向的特征向量。最后,将情感特征向量映射到分类空间中,对目标方面词进行情感分类。本文提出的方法,在Sem Eval 2014-2016部分数据集上进行了实验,实验结果证明了该方法的有效性。（2）针对不同模态信息在时序上的关联性存在差异的问题,本文提出了基于跨模态注意力机制的反讽检测方法。该方法采用分治策略设计了两个不同的处理模块:图文反讽模块和句内反讽模块。图文反讽模块使用情感词典和预训练模型对文本信息和视频信息进行处理与编码,获得文本情感信息和视频情感信息,加强了文本信息和视频信息在时序上的关联性。同时,提出不一致性捕获网络,捕获两种情感信息之间的不一致性。句内反讽模块通过预处理获得文本信息和音频信息的特征表达后,运用Transformer编码器实现两者的特征融合,并借助其中的深层次注意力网络学习两者之间的强关联特征,捕获文本信息内部的不一致性。最后,将两模块捕获到的不一致信息输入到预测层,实现反讽检测的准确分类。本文方法在MUSt ARD多模态数据集上进行了实验,结果证明了该方法在解决反讽检测问题上的优势。