随着大数据时代的到来,互联网上充斥着大量的非结构化文本信息,文本分类及其情感分析方法旨在挖掘文本的类别和情感等属性知识,用以帮助人们充分利用这些信息资源,这也是当前研究者们所关注的热门问题之一。传统的机器学习方法通过人工构建特征进行文本分类和情感分析研究。但是,这些方法的效果过于依赖所构建特征的好坏,而随着数据的爆炸式增长,特征构造也会消耗大量的人力成本,且许多特征在新场景下难以复用。随着深度神经网络的兴起与发展,许多研究利用深度学习方法构造数据特征并进行信息挖掘,由此大大提高了文本分类和情感分析的效率。然而,基于深度学习的文本分类及其情感分析方法仍然存在一些挑战:首先,许多文本分类方法聚焦于对文本自身信息的挖掘,或者利用句子维度及词维度上标签信息对文本信息进行补充,而缺乏对特征维度上标签信息的关注;其次,当前大多数基于自注意力结构的情感分析方法仅关注词序等语义信息,而忽略了句法结构和语义信息的相互作用以及依存句法下不同词之间的相互影响。为了解决以上问题,本文在已有工作的基础上对注意力机制进行改进,具体研究工作如下:（1）提出了基于特征注意力和标签概率学习的文本分类模型FA-LPL。该模型由特征注意力网络和标签概率学习两部分构成,前者基于特征注意力机制充分挖掘出与标签相关的文本关键特征,并以此生成具有特征信息交互的文本向量和标签向量;后者受知识蒸馏思想的启发,使用由特征注意力网络学习的标签向量对交互样本的真实概率分布进行模拟。FA-LPL模型通过特征注意力网络和标签概率学习,既可以挖掘出文本中与标签相关的关键特征,也可以学习到标签间的相似信息。同时,在公开数据集上的实验验证了 FA-LPL模型在文本分类任务上的有效性,也显示了模型在处理相似标签区分及噪声对抗等问题上的优越性。（2）提出了基于种间竞争和多位置掩码注意力的情感分析模型IC-MLMA。该模型由句法结构注意力网络和语义信息注意力网络构成,前者使用种间竞争建模依存句法中从属词和修饰词相互影响、相互竞争语义表达主导地位的过程,描述句法的依存关系;后者使用多种不同的位置掩码注意力分别学习句子中单词顺序和相对位置等语义信息。IC-MLMA模型使用联合学习框架让二者产生交互,通过句法结构限制句子的语义表达,并根据语义表达判断句法结构的合理性,获得能同时包含句法结构和语义信息的文本向量表示。实验表明,IC-MLMA模型在情感分析任务的多个公开数据集上均取得了性能提升,模型的有效性得到了验证。