随着互联网时代的到来,各种社交和电商网络平台进入了人们的生活,人们在享受网络即时性、便捷性的同时,也在网络上产生了大量的评论性数据。这些包含大量观点的用户在线评论数据蕴含着丰富的科研价值和社会商业价值,对这些数据进行观点挖掘和情感分析已成为自然语言处理领域中热门的研究领域之一。在对这些用户在线评论数据进行观点挖掘和情感分析的过程中,由于用户在线评论数据文本篇幅短,针对性强,包含多个特定方面的情感极性,需要更深层次的理解和建模。因此,方面级情感分析方法越来越受到研究者的关注。在方面级情感分析方法的研究进程中,相较于传统的基于情感词典和传统机器学习的算法,深度学习不依赖人工构建特征,通过神经网络自动学习提取特征,非常适合复杂的语言文本数据,已经成为了方面级情感分析的主流方法。基于此,本文采用深度学习方法构建方面级情感分析模型,对单领域和涉及迁移学习的跨领域用户在线评论数据进行分析,研究设计了两个方面级情感分析模型,论文的主要工作和成果如下:（1）针对单领域的方面级情感分析中,基于依赖树的图卷积网络模型在建模时对文本的依赖解析结果不准确,以及用户在线评论数据的非正式表达造成语法信息不充分的问题,提出了一种增强语法语义信息的双图卷积方面级情感分析模型。模型从语法和语义两个角度来开展研究,首先利用Bi LSTM作为句子编码器提取方面词和上下文的隐藏表示。然后,语法上,在先前通过依赖解析器输出的基础上,构造通过语法距离加权的依赖概率矩阵,再结合位置距离特征获取语法结构的有用信息,提高基于依赖树的图卷积网络的特征提取能力,解决了文本依赖解析结果的不准确问题;语义上,通过引入注意力机制获得一个注意力邻接矩阵再结合图卷积网络完成特征提取,解决了在线评论数据语法信息不充分的问题。再融合两个模块的特征信息,来提高基于语义和语法特征的网络模型对方面词情感极性的预测能力。最后,在三个公开的方面级情感分析数据集上和最新研究方法进行了实验,对比结果证明了该模型的有效性。（2）针对跨领域方面级情感分析中,特定领域训练的模型存在领域依赖性以及不同领域间存在分布差异性,造成模型泛化能力差的问题,提出了一种基于注意力机制和域对抗网络的跨领域方面级情感分析模型。首先,将方面词和句子组合成的句子对作为预训练模型BERT算法的输入。然后在特征提取层,利用依存句法知识和交互注意力机制进行改进,提高源领域和目标领域的特征提取能力,方便后续领域共享特征的获取。最后通过情感分类器模块对源领域数据进行情感分类,领域分类器模块实现源领域和目标领域数据的特征混淆,以对抗训练的方式来提高领域共享特征提取,解决领域依赖性和分布差异性,提高模型泛化能力。最后通过实验对比,验证了该模型的有效性。