细粒度情感分析是自然语言处理领域的一个重要任务,在商品评论分析、舆情分析、心理健康监测等方面有着广泛应用。但细粒度情感分析研究仍然面临同一方面词存在不同的情感极性、多个方面词与多个观点词相互配对,以及包含隐式方面词和观点词的情感四元组抽取等挑战。针对上述挑战,本文从以下方面展开研究:（1）针对同一方面词存在不同情感极性的问题,提出了一种基于文本片段搜索的方面情感三元组抽取模型。该模型首先通过BERT模型来学习句子中每个单词的向量表达,接着基于单词表达来搜索所有可能的文本片段,最后再将候选文本片段分别送入方面词观点词预测层和情感极性预测层,得到情感三元组。实验结果表明,该模型可以通过对文本片段对极性的预测来解决同一方面词具有不同情感极性的问题。（2）针对多个方面词与多个观点词配对问题,提出了一种基于依存图卷积的方面情感三元组抽取模型。该模型基于词之间的依存关系构建图网络,然后通过图卷积神经网络来学习词之间的依存句法知识,进而建立远距离的方面词与观点词之间的联系,同时还可以基于依存句法标签来判定观点词所表达的情感极性。实验结果表明,依存图卷积的融入可以帮助模型发现远距离的方面词与观点词之间的联系,进而提升模型的抽取效果。（3）针对包含隐式方面词和观点词的情感四元组抽取问题,提出了一种基于领域适应预训练的隐式情感四元组抽取模型。该模型在方面情感三元组抽取模型的基础之上,通过引入两个特殊符号[IA]和[IO]来学习隐式的方面词和观点词。此外,为提升模型对评论文本的语义理解能力,提出了适合细粒度情感分析任务的遮蔽方面词观点词预测任务。实验结果表明,该模型可以有效抽取隐式情感四元组。同时,在多个细粒度情感分析任务上的实验也证明了基于领域适应预训练的方法的有效性。综上所述,本文以细粒度情感分析为研究对象,围绕方面情感三元组和隐式情感四元组抽取任务,结合文本片段搜索、依存句法分析以及领域适应预训练,提出了三种细粒度情感分析模型,并在相关数据集上取得了较好的结果。本文的工作有利于细粒度情感分析的研究发展,并对基于用户评论文本的商品分析、舆情分析具有重要意义。