作为自然语言处理领域中一个经典方向,细粒度情感分析主要研究如何准确判断观点实体的情感倾向性问题,近年来已经获得了广泛而深入的探索。然而在现实生活中,人们在社交媒体上发布的内容已经从单一的纯文本模态信息转变为图文并茂的多模态信息。以往的细粒度情感分析模型由于只考虑文本内容,无法对多模态信息进行建模,从而存在不能准确判断观点实体情感倾向的问题。多模态细粒度情感分析是近期提出的一个新的研究方向。该方向旨在利用文本、图片等多模态信息判断观点实体的情感倾向,以解决以往的细粒度情感分析模型无法建模多模态信息的问题。本文以多模态细粒度情感分析作为主要研究内容,从图片信息增强和多模态交互两个角度出发,开展了以下三个方面的工作:（1）设计了基于图卷积神经网络和多模态LSTM的多模态细粒度情感分类算法。为构建图片整体信息的表达,该算法利用图卷积神经网络（GCN）针对图片中物体间的交互进行建模。另外,还设计了一种基于观点实体指导的多模态LSTM对图片信息进行过滤,在减小图片噪声的同时增强了观点实体与图片之间的联系。实验结果表明,该算法能够有效建模图片中物体间的联系,过滤图片中的无关噪声,并取得了优于其他模型的性能。（2）提出了基于多模态交互Transformer和图片语义的多模态细粒度情感分类算法。该算法通过提取图片中的物体语义信息来增强图片的语义表示,并设计了辅助任务来减小文本和图片之间的语义鸿沟。另外,该算法还提出了基于层次化多模态交互Transformer结构的神经网络模型,以建模文本、图片以及观点实体三者之间的信息交互。实验结果表明,该算法在准确率和宏平均上取得了目前最好的结果。（3）从实际应用中存在的问题出发,提出了一种基于联合训练的端到端多模态细粒度情感分析算法。该算法从联合训练的角度进行设计,利用图片信息辅助文本同时实现观点实体的抽取以及情感分类两个任务。并且利用形容词-名词对来构建图片的多视角表示,以增强图片中的情感语义信息。实验表明,该算法能够有效地同时抽取观点实体以及进行情感分类,并在微平均这一指标上优于其它基准模型。