随着各种网络平台的快速发展,社交、外卖、直播、短视频等领域产生了海量的数据文本,对文本进行细粒度的挖掘和分析具有重大的社会价值和商业价值。相较于粗粒度的情感分析技术,方面级情感分析旨在分析句子中实体或实体某个属性的情感极性,具有更普遍的应用场景,引起了学术界和工业界的广泛关注。近年来,利用图卷积神经网络和依存关系,建模方面词与意见词之间联系的方法在方面级情感分析领域取得了极大进展。但现有研究仍存在考虑单词间的相对位置信息不足,句子和方面词间信息交互不充分等问题。针对上述问题,本文在现有研究基础上进行探索和改进,主要的工作包括:（1）考虑到情感极性预测结果受方面词与意见词间相对位置的影响,本文提出基于依存关系和旋转式位置编码的方面级情感分析模型（AS-DRP）。使用Transformer结合旋转式位置编码捕捉单词间的相对位置信息与语义信息,同时通过依存关系和多层图卷积网络捕获单词间的依存句法信息。然后,利用双仿射层交互两种信息,并采用门控机制进行特征融合,得到特征融合后的方面词表示。最后,将方面词表示与BERT获得的分类向量拼接,进行情感极性预测。通过在公开数据集上进行对比实验和案例分析,验证了模型的有效性和泛化能力。（2）考虑到句子和方面词间的复杂关系影响情感分类结果,本文提出基于依存关系和胶囊网络的方面级情感分析模型（DR-Caps Net）,通过胶囊网络建模方面词和句子间的复杂关系,提升模型效果。首先采用BERT获得句子和方面词的词向量表示,多层图卷积网络提取句子的依存句法特征,与句子的词向量残差连接,获得带语法信息的句子特征。然后,将句子特征和方面词表示输入胶囊网络,通过方面感知归一化和胶囊路由引导机制,将句子中与方面词情感最相关的表示传递到情感类别胶囊,进行方面词的情感极性预测。实验结果表明,DRCaps Net模型在方面级情感分析任务中取得了较好的分类效果。本文工作围绕方面级情感分析任务展开,在基于依存关系和图卷积网络的研究上改进模型,提出了AS-DRP和DR-Caps Net模型,通过和近年来提出的模型在Laptop、Restaurant、Twitter数据集上对比,验证了模型的有效性。