随着微信、微博、电商等网络平台的发展,民众、企业以及政府越来越倾向于将重要的文本信息发表在互联网上,挖掘这些文本蕴含的信息,无论对商家还是学者都有重要的意义。细粒度情感作为文本内容的一种隐含信息,反映出用户自身情绪和特定主题喜好程度,也包含热门话题和社会情况。该应用领域在建立评价体系、获取实时热点、控制网络舆论等方面上存在巨大的研究价值。细粒度情感分析是一种多标签主题预测与多分类情感预测相结合的多任务问题,它需要对研究的文本先建立主题,再为主题建立多个情感属性。深度学习技术在文本细粒度分析上存在样本数量少,多任务计算量大,语义信息不全等问题。对此,本课题以经典神经网络模型为基础,从多权值输入、组合网络模型和优化手段三个方面改进研究方案,实现深度学习技术在细粒度情感分析上的应用。主要工作如下:针对汽车数据集,提出一种基于Softmax回归的多权值模型。该模型中从文本和数据的特殊性分析了文本特征及组合方式对主题分类产生的影响,通过扩充文本内容、修改TF-IDF公式和添加方差加权获得增强后的文本信息,最后使用构建的浅层神经网络来识别文本的主题。实验结果表明模型分类的准确性优于传统的加权Word2vec模型1.8%,主题预测F1准确率为64.5%。分析了几种经典神经网络在细粒度分类上存在的问题,提出了一种组合神经网络的方案扩充主题分类中使用的模型。(1)为避免主题分类错分的样本对情感分类的影响,提出了主题-情感结合的标签表示法。(2)针对多权值方法在网络输入层存在的语义丢失的问题,改进了第一层网络的输入加权方式。(3)在实验过程中,通过调整数据增强方案解决了数据样本过少的问题。实验结果表明该模型能有效地对汽车评论文本进行细粒度情感分析。