随着互联网的快速发展,越来越多的网民可以通过平台表达自己对事务的喜好和情感态度,比如餐馆的评论,笔记本的点评等。这些评论的文本中包含了许多有价值的信息。对于消费者来说,可以根据已有的评论来对商品质量做出判断,对于商家来说,可以帮助其提高产品质量,提高其竞争力。在这种情况下,情感分析应运而生,情感分析属于自然语言处理的重要研究方向,用情感分析的方法对繁杂的数据进行梳理和分析,变得越来越重要。但是传统的情感分析一般将人的情感态度分为积极、消极和中性三个方面,这种粗粒度的情感分析越来越不能满足人们的需要,而针对特定实体的方面级情感分析则能更好的解决这个问题。作为情感分析的子任务,方面级情感分析能够分析语句中精细化的情感,和文档级情感分析相比,方面级情感分析需要更多的语义特征,才能进行更精细化的语义分析。目前国内外的研究方法还有一些不足之处。有监督的方面级情感分析受限于情感分类的精细与语料库数量少之间的矛盾。此外,中性词较多的语料库一直是方面级情感分析的难点,以及目前针对方面词感知的研究还有明显不足。为了更好的获得精细化的情感表示,本文提出了以下具体的研究方法:（1）通过将广泛预训练的BERT（Bidirectional Encoder Representation from Transformers）模型迁移到方面级情感分析,有效地解决了方面级情感分析语料库较小的问题。同时,为了实现以方面词为中心的方面级情感分析,提出了基于BERT的多语义学习模型,该模型由左侧局部语义、右侧局部语义、方面目标语义和全局语义学习模块。（2）为了更好的捕捉上下文词与目标方面词之间的语义依赖关系,本文提出了一种基于BERT和多头注意力机制的方面词感知增强方法。首先,对方面词进行平均池化的操作,得到了与BERT隐藏层状态相同的方面语义信息,然后将平均方面语义分别与左侧局部语义、右侧局部语义和全局语义连接到各个隐藏层状态。最后,通过线性变换层和多头注意力机制操作将其合并到每个语义学习模块上,从而实现对情感语义的方面目标感知增强。（3）为了实现语义特征之间的互补性,提出了两种语义融合的方法。一种是多层语义融合,首先将左侧局部语义和右侧局部语义中分别拼接对应的隐藏状态,然后再根据对应的隐藏层的状态对融合后的局部语义和全部语义信息进行拼接;另一种是门控语义组合,利用门控机制来衡量三种语义对情感极性分类的不同贡献的程度,并突出关键语义信息。可以更好的处理中性词较多的语料库,本文在此模型的基础上,提出了一种改进的方法,引入了类似基于CNN（Convolution Neural Networks）的语义细化层,获得更精细化的语义表示。通过以上的方法,本文提出的基于多通道卷积的多语义学习模型在五个国际化的语料库中,平均提高了0.5%的正确率。