互联网飞速发展以及web2.0时代计算机与手机等设备的普及,促使网络上用户产出内容的激增。这些包含巨大信息量的数据对为用户提供个性化服务有着重大意义和研究价值。情感分析是挖掘文本内容的重要手段,其主要是辨别文本表达的主观情感。细粒度情感分析——方面级别的情感分析（aspect level sentiment analysis）主要是从文本中提取给定方面的情感极性,近年来已经成为业界的关注焦点。本文总结国内外现有基于深度学习的方法存在的两大难点:一是大多结合注意机制的神经网络会不可避免地引入噪声。二是无法处理对给定方面敏感的情感词语,这些词语的情感会因给定方面的不同而有所不同。针对于现有研究的两大不足,本文设计了一种情感特征提取算法AC-FDN（基于演员-评论家机制的特征提取网络,Feature Distillation Network Based Actor-Critic Mechanism）来降低噪声并提取与给定方面相关的情感特征。该算法首先设计了一个特征提取子网络FDN（Feature Distillation Network）,其引入上下文非线性投影层,在使用BiLSTM对上下文内容进行二次编码的同时又进一步强调给定方面的信息,这能有效的缓解第二个难点——情感词敏感所带来的情感模糊问题。除此之外,FDN还设计了一种新的双层门控机制来实现给定方面与上下文特征之间的交互,过滤与给定方面无关词语所带来的噪声,放大与给定方面相关的情感特征。考虑到FDN是从特征层面来进行无关情感的特征过滤,并不能够从文本层面直接将情感无关词语删除,AC-FDN算法在FDN的基础上进一步结合了Actor-Critic机制,先在文本层面将与文本结构和语义情感表征无关的词语删除,进行一次文本降噪。然后再使用FDN对降噪后的文本进行第二次特征层面的降噪,即过滤掉与给定方面无关的情感词语所带来的噪声,这将有助于解决上文所说的第一大难点。本文在三个不同规模的数据集上进行多方面实验来证实本文提出的模型可以取得显著的提升效果,并达到最优。还使用两种不同方式进行了可视化实验,进一步验证了模型中子结构的有效性。