文本情感分析是自然语言处理领域当中的一个重要分支,是对实体表达的观点看法的一种研究。文本情感分析研究涵盖了文本挖掘、信息抽取、机器学习、信息检索等多个领域。近年来,随着科技的进步与互联网的快速发展,人们的购物方式发生了天翻地覆的变化,网上购物成为当今社会的一个新形态。电商平台为用户提供了一个可以进行在线评论的功能,来发表用户对商品或服务的评价。随着互联网的普及与电商平台的增多,导致平台上的评论文本数据激增并呈指数增长,如何能够高效、快速的在海量的评论文本中挖掘信息,现已成为国内外的研究热点。传统的文本情感分析在解决文本情感极性判断问题上有着良好的效果,但随着需求的增长,用户希望能够得到评价对象的特定属性的情感倾向分析。于是,基于方面级的细粒度情感分析被提了出来。本文针对现有方面级情感分析待需要解决的问题,结合了相关工作中主流的深度学习的文本情感分析技术的优势,提出了一种基于BERT（Bidirectional Encoder Representations from Transformers）预训练模型并融合了迭代膨胀卷积神经网络（Iterated Dilated Convolutional Neural Networks,IDCNN）和双向长短期记忆网络（Bi-directional Long Short-Term Memory,Bi LSTM）的方面级情感分类模型,在此基础上又提出了一种基于Stacking思想的方面级情感分类模型,并对所提模型在自构数据集上验证其有效性。本文完成的主要工作有:（1）针对现有方面级情感分析任务实验用数据集的不足,本文使用Python语言中的Requests模块,对京东商城的摄像头评论数据进行爬取,构建了一个摄像头在线评论数据集,用于验证本文所提方面级情感分类模型。（2）针对基于传统机器学习技术的文本特征提取不能解决一词多义问题,本文提出使用预训练模型—BERT。针对CNN存在的特征信息丢失的问题,提出采用迭代膨胀卷积网络进行特征提取。针对样本数据分类不均衡问题,提出采用Focal Loss函数来代替传统的交叉熵函数作为本模型的损失函数。为了验证模型的有效性,采用多种基准模型进行对比实验。实验结果表明,本文所提BERT-IDCNN-Bi LSTM模型在F1值性能指标上,较其他模型有一定提高。（3）针对BERT模型在提取文本特征的时候利用了并行的注意力机制,会使得模型丢失学习局部特征的不足,本文利用Stacking思想对LSTM、CNN和BERTIDCNN-Bi LSTM三种情感分类方法进行模型融合,并在本文自构建的数据集上进行了相应的实验验证,实验结果表明所提模型在F1值性能指标上,较其他模型有一定提高。