随着互联网技术的不断发展,网络媒体中产生了海量的文本数据。这些文本数据中蕴含大量有价值的信息,如何高效、快速地从海量的评论文本中挖掘信息,吸引了众多研究人员的关注。文本情感分析可以从文本数据中挖掘出用户的观点和态度,不仅可以为企业或用户提供丰富和有价值的信息,而且可以及时监控舆情的发展。方面级情感分析任务作为文本情感分析的一个重要研究方向,能够更加细粒度地对带有情感色彩的评论文本进行情感极性分析。本学位论文主要利用深度学习方法来解决方面级情感分析中的两个子任务:方面提取和方面情感分析。1.提出带有错误纠正的方面提取方法。针对进行方面提取任务时,方面提取器提取出的方面中存在方面个数错误和方面边界错误的问题。首先对数据集中的方面个数错误和方面边界错误进行定性以及定量的分析,设计了带有方面错误纠正的后处理增强方法进行针对性的解决,其包含方面个数预测方法和方面边界修正方法。方面个数预测方法可以解决方面个数错误,方面边界修正方法则能解决方面边界错误。同时提出的带有方面错误纠正的后处理增强方法与方面提取器是解耦的,其可以和各种方面提取器结合使用,具有良好的迁移性。实验表明,本文提出的带有方面错误纠正的后处理增强方法能够有效解决两种错误,提升方面提取器的性能。并且相比现有基准方法,提出的方面提取器模型的性能有显著提升。2.提出融合语义与句法信息的方面情感分析方法。针对进行方面情感分析任务时,单独使用语义或句法信息都存在局限性,而采用固定的方式融合两种信息又不能应对各种复杂和非正式句子的问题。提出了一种双图神经网络模型和动态特征融合方法来解决上述挑战。使用语义图注意网络（Graph Attention Network,GAT）来提取语义信息,同时构建句法图卷积网络（Graph Convolutional Network,GCN）来提取句法信息。还设计了动态特征融合方法来动态地融合语义、句法以及两种信息的公共信息,使得提出的模型可以应对不同句子中两种信息重要性不同的情况。在3个公开数据集上的实验结果表明,与其他现有基准模型相比,本文的方面情感分析模型的准确率与F1值均得到提升。