文本情感分析是对包含主观情感的文本进行分析、处理、归纳和推理的过程。情感原因对抽取（Emotion-Cause Pair Extraction,ECPE）是近年来情感分析领域中出现的一项新研究任务,其目的是抽取一段文本中由情感子句和原因子句组成的情感原因对。通过ECPE任务得到的情感与原因信息可以更好地帮助理解用户行为、分析产品质量与优化服务,并为政府、企业等决策者提供更多有价值的参考数据。越来越多的研究者基于深度学习开展ECPE任务的相关研究,目前ECPE任务的一种主流解决方法是基于深度学习模型的两阶段管道方法,第一步抽取情感与原因子句,第二步再将情感与原因子句进行配对。然而这种管道模型存在以下不足:（1）分步抽取的方法不够自然,忽略了情感和原因作为一个整体的内在联系;（2）不同步骤之间可能会存在错误传递的情况,进而影响最终结果的表现。随着预训练模型在许多任务上取得优异成绩,研究者尝试引入预训练模型解决ECPE任务。他们将预训练模型作为子句编码器,为下游任务提供更好的向量表示。然而研究发现以BERT为代表的预训练模型不仅能提供动态的向量表示,而且具有捕捉句子之间逻辑关系的能力。针对以上问题,本文将从以下两个方面对ECPE任务的解决方法开展研究:（1）基于端到端的方法提出了带有范围控制器的层级神经网络模型（RHNSC）,该模型通过端到端的方法直接抽取文本中的情感原因对,有效地避免管道模型中存在的不足,同时模型以多任务学习的方式更充分地挖掘子句中的情感原因信息。另外基于统计分析发现文本中情感原因对一般是相对距离较近的子句对,本文提出了范围控制器模块,它能有效地控制模型预测情感原因对时更关注较高可能性范围内的结果,进而提高预测的准确性。通过实验结果分析,RHNSC模型有效地解决了两阶段方法中错误传递的问题,在ECPE任务的表现上优于两阶段管道模型方法。（2）基于预训练模型BERT提出了一种新的解决ECPE任务的方法,将ECPE任务看作子句对之间的关系预测,利用BERT模型学习两个子句之间是否存在情感原因关系。另外,通过模仿BERT预训练过程中下一句预测任务的训练形式,在原始语料的基础上重新构建新的语料数据集,有效地扩充了训练数据的大小。与其他使用BERT的方法相比,本文提出的ECPE-BERT模型更加简单,不需要额外的配对模块设计,但在解决ECPE任务的效果上取得了更好的表现。