近年来,智能设备的普及和互联网技术的发展使得如电商、微博、论坛等网络平台涌现了大量用户评论信息,这些评论反映了人们的观点。通常情况下,人们做的决策受他人意见的影响。所以,信息分析尤为重要,这不仅体现在商业发展中,还体现在社会的各个方面。随着社会的进步和人们生活水平的提高,网络评论的形式趋于细粒化和多元化,情感分析的研究趋势也在随之发展,近年来,许多学者都着重于新兴细粒度情感分析领域的研究。与之前的研究相比,细粒度的情感分析将注意力主要集中在评论中的论元或是论元的某个属性,这样可以挖掘出人们更深层次的意图。因此,需要设计算法来筛选干扰信息,对细粒度方面做出准确的情感判断。本文针对方面级情感分析展开研究,主要研究内容和贡献如下:（1）以往的研究大多集中在基于原始的句法依存树来构建网络模型。由于方面词和非方面词的句法依存属性对于目标情感的重要性是不同的,提出了基于权重增强并结合图卷积的神经网络模型（AW-IGCN）。通过带权矩阵来储存更完整的句法结构,同时利用Bi-GRU来获得上下文信息,并输入到改良的图卷积网络来进行特征融合,最后的分类以注意力机制进行。在5个开放数据集上的实验结果表明,该模型取得了更好的分类效果,进而验证了权重增强的句法依存关系和改良的图卷积网络可以更好地融入句法和上下文信息,由此可知,此模型在方面级情感分析研究中具有一定的优势。（2）由于现有的研究普遍利用第三方框架来生成句法依存树,这样的生成方式存在不可避免的误差,限制了模型对于句法特征的学习,因此提出了一种渐进增强结合双向图卷积模块的情感分类模型（PCB-GCN）。首先,设计渐进增强算法来获取更加丰富的句法关系,利用Bi-LSTM来提取语义,然后针对不同方向的句法图结构采用双向图卷积模块进行特征提取,最后将句法特征与上下文语义通过协同融合网络结合起来进行最终分类。通过多组横向模拟模拟实验和笑容实验证明此模型的有效性。