随着互联网的快速发展,人们几乎每天都会在电商平台和社交软件中发表自己的观点、看法。通过情感分析技术能够自动从海量的等带有情感极性的评论文本中获取人们对事件、商品的情感倾向,这对于很多行业来说都有着巨大的价值。然而传统的粗粒度情感分析已经不能够满足人们的需求,人们往往希望获得对于某些事物或商品更加全面的了解。细粒度的方面级情感分析旨在分析不同方面所表达的不同情感,能够帮助人们更好的了解事物或商品的各个方面。在本文针对方面级情感分析任务进行了重点研究,提出两种深度学习模型,主要工作包括以下两点:（1）针对上下文和方面信息之间的交互信息和位置信息,提出了基于局部信息选择机制（Local Information Selection,LIS）的方面级情感分析模型。LIS首先根据上下文单词与方面词之间的位置关系计算语义相对距离（Semantic Relative Distance,SRD）,利用两种处理方式和SRD阈值将句子分为两部分局部信息。然后设计规则选择出合适的局部信息与全局信息进行拼接。最后利用多头自注意力机制学习包含句子表征,输出隐藏状态并分类。模型在Sem Eval 2014的Restaurant、Laptop数据集和Twitter数据集上进行实验验证,结果表明LIS模型在三个数据集上分别达到87.24%、82.97%与75.58%的准确率。（2）针对LIS模型在获取局部信息时丢失句子原本的句法和语义的问题,以及对于学习句子表征的学习过于简单,提出了基于依赖树距离模型（Dependency-Tree Distance,DTD）。DTD模型使用句法依赖树结构重新定义语义相对距离（SRD）,根据上下文单词与方面词在依赖树结构中的位置计算SRD,并据此截取局部信息。模型使用LSTM网络和多头（自）注意力机制学习句子表征,设计了交互式学习方式,能够更加深层次的提取句子信息,并将每一步的输出通过池化操作,在最后进行拼接作为最终的句子表达用于分类。模型在Sem Eval 2014的Restaurant、Laptop数据集和Twitter数据集上进行实验验证,结果表明DTD模型在三个数据集上分别达到87.91%、84.68%与75.81%的准确率。两种模型都分别采用了Glo Ve和BERT预训练词向量模型,并与三种Non-BERT模型和三种BERT-base模型进行对比实验,以验证模型的有效性。另外,设置了不同的SRD阈值进行对比实验,结果表明两种模型在Sem Eval2014和Twitter数据集上都有不同的SRD阈值以达到最优效果。