随着网络的飞速发展,在网络上表达情绪的人日益增多。现有的文本情感分析系统虽然能够正确分类大部分文本的情感极性。但是当文本中存在讽刺时,现有系统往往会产生错误分类结果。讽刺是一种复杂的语言形式,它将字面上明显正面或负面的话语转化为相反的情感倾向。现有的讽刺识别方法主要分为基于规则的方法、基于机器学习的方法以及基于深度学习的方法。其中,基于规则和机器学习的讽刺识别方法均依赖专家规则和人工筛选特征。基于深度学习的识别方法虽然能够有效提高系统的泛化能力,但往往依赖大规模有标注数据。针对现有方法的不足,本文研究基于对抗学习的讽刺识别方法和结合情感知识库的讽刺识别方法。针对缺乏高质量讽刺标注数据的问题,本文研究基于对抗学习的神经网络讽刺识别模型。在注意力神经网络讽刺识别模型基础上,研究基于对抗样本的对抗学习框架,在模型训练过程中定向生成对抗攻击样本参与模型训练,增强模型的鲁棒性和泛化性能。进而,研究基于领域迁移的对抗学习框架,引入跨领域讽刺识别数据,改进模型在目标领域的讽刺识别性能。同时,本文还研究上述两种对抗学习框架的结合,进一步提高模型的泛化性能。实验结果表明,基于对抗学习的模型在三个公开的IAC讽刺识别数据集(Generic、Hyperbole、Rhetorical Questions)上相比基模型的F值提升均超过3%。考虑到对抗学习框架只是从数据层面上提高模型的性能,但忽略了讽刺本身的一些表达特性。本文引入外部情感知识库,从讽刺的两个直观特性(语义一致性和情感一致性)出发,在模型中引入文本相似矩阵和情感交互通道,研究结合情感知识库的讽刺识别模型。实验结果表明,结合语义一致性和情感一致性的讽刺识别模型相比注意力卷积网络模型在Hyperbole数据集上的F值提升超过7%。同时在Generic和Rhetorical Questions数据集的F值提升分别超过2%和3%。在此基础上,本文还研究将结合情感知识库的讽刺识别模型与对抗学习框架结合。实验结果显示,相比基模型,该方法在Hyperbole和Rhetorical Questions数据集上分别有超过4%和5%的F值提升。