随着社交网络的发展,用户习惯于在网络中针对不同事物表达出自己的情绪,对其文本数据进行情感分析并统计,能够为社会和商业挖掘出有价值的情感信息。早期情感分析多为单纯的分析一种情感。方面级情感分析旨在识别一个句子中多个方面术语表达出的不同情感,近年来受到学术界的广泛关注。目前,该任务多与深度学习相结合进行研究,但该方法仍然存在一些挑战和问题。如何高效的提取文本特征,挖掘单词之间的内在联系,成为了方面级情感分析中的重要研究内容。本论文提出了方面级情感分析的两种模型,并在算法模型的基础上实现了一个方面级用户评论情感分析的原型系统,主要工作如下:（1）提出了一种基于自注意力机制的方面术语提取方法。针对现有模型对捕获单词间隐式关系能力较差,导致方面术语提取不完整、不全面,甚至提取到了非方面术语等问题。通过引入词性标注,充分利用词性语义间的依赖关系,使输入词向量表达出更加丰富的语义信息。改善了模型仅使用预训练词时其词共现信息不足的现象。利用深度模型提取特征并采用自注意力机制学习词的权重信息,构造句子特征向量表示,从而提高方面术语提取的效果。（2）提出了一种基于多注意力的方面级情感分类方法。针对现有模型在方面词中包含多个短语时,方面词和上下文之间交互信息不足,不能有效的提取出情感表达。考虑到采用序列模型提取特征训练时间较长,本文提出采用Transformer高效的获取长句中词的隐藏状态提取特征,并引入局部注意力模块和全局注意力模块。采用双池化方法来交互方面和上下文的重要特征,从而减少学习特征的损失。利用不同注意力模块来捕获方面和上下文之间不同粒度的交互信息。通过全局注意力模块负责整个方面和上下文的信息交互,而局部注意力模块主要关注单词级别的信息交互,从而提高了方面级情感分类的效果。（3）将论文提出的两个模型分别与目前方面术语提取和情感分析领域的几种先进方法进行了对比实验,本文提出的两种模型在不同领域的数据集上实验的准确率、F1值均有提高,结果表明论文提出的模型优于其他对比方法。（4）基于上文提出的两种方法模型,开发了一个面向餐饮行业的在线评论情感分析原型系统,对餐厅用户评论的不同方面进行细粒度分析,对本文提出的方法进行有效性验证。