随着网络时代的快速发展,网民们可以在不同的生活网站上针对各种各样的商品发表自己独特的评论,也可以在社交网络中针对某一社会现象提出自己的见解。用户发表的文本评论信息中包含着很多带有情感倾向的语句,这些语句经过整理与研究分析后,对商品和社会等相关领域具有很高的研究价值。因此文本情感分析作为自然语言处理研究的子领域,在过去几年中受到了广泛的关注。方面级别的情感分类是情感分析中的一项细粒度的工作,与传统情感分析相比较,方面级别情感分析的目标是预测文本中不同目标情感词的情感类别,因此对文本内容挖掘的层次更深。基于深度学习的情感分析模型在文本特征提取方面已经取得了很多突破性的成果,已经成为情感分析领域的主流研究方向。在方面级别情感分析任务中,记忆网络模型取得了出色的表现,注意力机制的引入进一步提升了情感分类的性能。然而方面级别情感分析中仍然存在改善空间:当面对文本过长的问题时,远距离的情感特征难以捕捉准确;注意力机制缺乏同时对目标方面词位置的关注,忽略了部分情感特征信息的提取。因此本文在记忆网络的基础上,设计了交互注意力机制,并在深度记忆网络与长短期记忆网络模型中对交互注意力机制进行研究与评估,本文的主要研究内容如下。（1）本文针对情感分析文本过长时远距离的情绪特征难以捕捉和注意力机制缺乏对目标方面词位置的关注提出了基于深度记忆网络的循环交互注意力情感分析模型（Mem-IAM）。Mem-IAM采用了Bi-LSTM神经网络作为记忆网络单元来捕捉长距离文本的特征信息,设计了文本权重函数来强调目标方面词与上下文单词之间的联系。并且设计了循环交互注意力机制来重点关注目标关键词和上下文的信息。Mem-IAM具有共享参数的多个计算层组成,引入交互注意层来处理情感句子中的复杂特征,将上下文和方面词之间的重要信息不断传递到下一层,从而增加了上下文中情感词的权重比,可以更准确地实现情感分类。（2）交互注意力机制在情感分析中取得了可观的结果,因此为了进一步改进交互注意力机制在深度学习中的应用,提出分别为基于Bi-LSTM与位置感知机制的交互注意力模型（Bi-LSTM-Pos-IAM）与基于Bert与双向LSTM交互注意力机制情感分析模型（Bert-Bi-LSTM-IAM）。我们的模型引入Bi-LSTM神经网络,它不仅可以从两个方向读取上下文和方面单词的相关信息,并分别对上下文和方面单词进行建模。另外,提出了位置感知机制添加到上下文嵌入向量中捕获上下文之间的关系。位置索引感知机制可以使用方面词与其他词之间的位置信息来确定与情感极性有关的术语。在注意力机制层面,主要思想是提取方面单词和句子的特征并交替学习,以获得更合理的注意力权重分布。实验结果表明,相对于基线模型,我们算法的准确率和F-度量值均表现得更加出色。