文本情感分类是一个自然语言处理领域中的常见问题。随着大数据时代数据规模的爆炸式增长,用户在互联网的使用中积累了大量的文本数据,如何从文本中有效提炼出用户的情感倾向成为了如今自然语言处理领域的一大挑战。而文本情感分类方法作为处理该问题的有效方法之一,也因此得到了研究者们的广泛研究。现有的文本情感分类方法主要使用神经网络相关技术及结构以提取到原始文本中的深层特征信息,进而根据提取到的特征完成文本情感倾向上的分类。因而,如何从原始文本上提取到更为有效的特征成为了现今文本情感分类研究中的主要难题之一。目前,在现有的文本情感分类模型中主要存在以下不足:首先,在文档级的情感分类任务中模型通常专注于文本的整体特征,而忽视了文本内的语义关系与位置依赖,使得模型在预测过程中出现由于语序变化造成的判断错误的问题;其次,文档级的任务中很多模型没有考虑到局部特征与全局特征的有效融合,从而影响了实际的模型性能;第三,方面级的文本情感分类为近些年情感分类中的新兴研究方向之一,然而在方面级的文本情感分类任务中很多研究对于文本中目标方面与上下文之间的关系探索不足,存在建模困难的问题;最后,对于方面级任务中的目标方面特征与上下文特征没有很好地融合,忽视了方面词对上下文特征的影响,从而造成的特征构造不够全面。针对上述存在的问题,本文开展了深入的研究并提出了相应的新的文本情感分类模型,主要工作如下:（1）针对文本情感分类任务的现有科研文献进行广泛性调研,同时对于文档级与方面级的任务进行深入地研究,掌握了现有的用于解决该类问题的主要方法与技术手段,同时根据现有的方法进行分析,总结研究中所存在的不足与待改进之处。（2）提出了一种基于注意力双向门控卷积单元的文档级文本情感分类模型（AttBiGRU-CNN）。现有的文档级情感分类研究中,存在文本信息的语义关系与位置依赖的建模不足,且全局特征与局部特征没有办法很好地进行融合的问题。因而本文模型将注意力双向门控卷积单元与卷积神经网络的思想相结合,在关注到语义关系与位置依赖的特征建模的同时,将局部特征提取与全局特征融合相结合,得到更为深层次的特征,进而提高分类上的精度。（3）提出了一种基于注意力与非线性权重图卷积网络的方面级文本情感分类模型（Att-BULGCN）。现有的对于方面级的文本情感分类任务的很多研究中,存在对于上下文的关系特征建模不足以及上下文特征与方面特征融合不足的问题。因而本文模型通过结合非线性权重图卷积网络进行上下文特征关系的深度挖掘,同时采用注意力机制进行特征之间的融合,提高了在方面级的情感分类场景下的分类效果。（4）针对以上提出的两种模型,分别对其在多个公开数据集上进行了相关实验以及对实验结果进行了深入分析。实验表明,本文中提出的两种模型与其他的对比模型相比,在对应指标上取得了更优的指标结果,实验结果也对本文提出的两种模型在不同的对应场景下的效果加以验证。