在实际应用中,情感分析通常是与领域相关的,由于领域之间的语义差异,相同的词在不同领域所表达的情感极性可能是矛盾的。因此,在特定领域训练好的模型,可能无法在另外一个领域很好的运行。另外,领域之间可能存在公共信息,为每个领域都训练单独的情感分类器会显得比较冗余。因此本文的工作以此作为出发点,旨在研究如何充分利用多个领域有限的训练数据来提高所有领域的分类性能。与此同时,本文会聚焦于跨领域文本情感分析场景下,探索如何从多个含有丰富的带标签训练数据的领域,为无标签的领域迁移情感知识。因此,针对上述问题,将本文的工作归纳如下:首先,基于多任务学习,本文提出了一个新颖的多领域文本情感分析模型,该模型巧妙的将情感文本的粗粒度和细粒度标签信息利用起来,并通过两个密切相关的任务进行联合训练。在多领域文本情感分析基准数据集上,相较于单任务模型以及朴素的私有-公有模型,该多任务学习模型都取得了领先的效果。其次,本文转向了跨领域文本情感分析场景,旨在为无标签的领域迁移情感知识。故本文通过引入对抗训练,并放弃了常用的领域自适应方法,提出了一种称为标签知识迁移学习的方法来从源域迁移标签知识到目标域,同时,为了提高标签知识的置信度,我们给模型添加了一个适配器,并且采用了内部和外部的投票机制,为未标记的目标域样本提供置信度更高的标签。在Amazon评论以及FDU-MTL两个数据集上,相对于所有的基线模型,都有了显著的提升,并通过对比实验,验证了我们提出的标签知识迁移的方法是有效的。最后,本文引入了预训练模型BERT作为多领域文本情感分析的基模型,同样重点关注跨领域文本情感分析的场景。通过一个两阶段训练的模型,在第一个阶段微调预训练模型BERT,在第二个阶段为目标域迁移情感知识。同时,本文设计了平均值和面向目标域的两种组合方法,来利用第一阶段微调好的源域模型,为目标域迁移情感知识。最后的实验结果也表明了预训练模型的优秀性能,并且通过对比实验发现,只有通过微调的预训练模型,才能获得显著的性能提升。