情感分析旨在分析和挖掘大规模文本集中隐含的态度、观点、情绪等主观情感信息,在商品评论、舆论监测、人机交互等方面有着重要的应用价值和研究意义,近年来已成为自然语言领域的一个热点研究分支。传统的情感分析任务一般仅仅分析给定文本的整体情感倾向,无法给出文本对象的具体方面细节信息。随着技术的进步与需求的变化,能够针对文本特定方面进行分析的方面级文本情感分析越发受到研究者重视。相关研究者从特征表示、实现技术和领域应用等方面对方面级文本情感分析进行了研究探索,但依然面临着很多困难和挑战。本文立足于方面级文本情感分析任务,以该任务中上下文单词与方面词间的关联为突破口,深入分析了自然语言处理中语义分析技术这一底层技术,设计了一种深层语义信息的提取算法,并结合到深度学习这一深层表征技术,提出一种基于深层语义的增强记忆网络模型DSEMN,主要研究内容如下:1、在基于深度学习技术的方面级文本情感分析方面,现存方法普遍聚焦于人工特征与深度网络的特征组合,而深入文本语义分析并结合到方面级本文情感分析的较少。本文首先分析了句法、语义等汉语语义分析相关技术,在此基础上得到同时结合了依存结构和语义信息的结构化语言表示。然后,为了更充分挖掘出语义依存分析结果中的隐含信息,将语义依存分析给出的依存连接关系、依存方向、依存类型充分地利用起来,本文以方面级情感分析的中心对象（方面词）为核心,设计了一种深层语义特征表示算法,它是单词到方面词的依存树最短距离语义位置特征和最短路径语义依存特征的有机结合。2、针对以往深度学习模型的不足,结合方面级情感分析的特点,根据本文前面部分设计的深层语义信息提取算法的研究结果,在端到端记忆网络模型的基础上,提出了一个基于深层语义特征信息的增强记忆网络模型DSEMN。该模型会接受上下文单词序列和情感方面对象这两方面输入,同时,在借鉴多层注意力迭代推理模式的基础上,调整模型结构,以语义依存门将深层语义特征信息整合到模型的训练中,使其适合计算深层语义向量组成的增强特征表示。3、设计实验方案,对本文研究内容进行实验分析验证。在Twitter、Restaurant和Laptop三个实验数据集上与以往相关算法模型进行直接对比。实验结果显示,本文提出的针对方面级文本情感分析任务的DSEMN模型,相比基准模型Mem N2N在三个实验数据集上的准确率分别提高了17.87%、13.2%和17.46%,比同样基于Mem N2N的DMN模型分别提高了4.98%、1.06%和2.43%。此外,针对本文设计的基于语义分析的深层语义特征信息的提取算法,设计了专门的实验方案,分析了该特征信息对模型的具体影响,证明了其有效性。最后结合DSEMN模型中的层级注意力机制,分析讨论了本文关注的方面级文本情感分析问题的重点:方面词与上下文单词间的特征关联性,直观地解释了本文DSEMN模型能取得相对更好实验结果的原因。实验证明了本文研究内容的可行性和有效性,同时也拓展了方面级文本情感分析研究领域的思路。