属性类别级情感分析（Aspect Category Sentiment Analysis,ACSA）是从非结构化文本数据中针对各个属性类别分析其各自蕴含的情感倾向。相比于通过对评论文本进行传统的情感分析,属性类别级情感分析能够使得公司更深入、更细致地了解评论的细节信息,了解用户针对具体对象的情感倾向。然而,现有的相关模型在建模时未能很好地将文本语句与所对应的属性类别进行深度融合,这对于属性类别级情感分析任务是极其重要的。完成属性类别级情感分析任务,首先需要在用户评论文本中识别出待分析的属性类别,该项工作即为属性类别识别任务（Aspect Category Detection,ACD）,其可定义为多标签文本分类任务。在该任务中,极易产生标签类别不平衡问题,即样本数据的目标标签类别的个数比非目标标签类别少得多。现有的大多数深度学习方法均需基于干净的有标签的数据集,然而现实中人工标注的数据集不可避免地会存在一定量的噪声标签。噪声标签是指在监督学习中,某些样本上被分配了错误的标签类别。本文主要采用的数据集涉及多标签分类任务,现有的针对噪声标签检测的研究工作,大多均不会特别考虑多标签分类任务数据集的特殊性。本文面向噪声标签检测任务、属性类别识别任务以及属性类别级情感分析任务三个任务所面临的问题与挑战,做出了如下贡献:（1）提出了多标签文本分类场景下的噪声标签检测算法——Multi-Label Text Underfitting to Overfitting Networks（MLTU2-ONET）。该算法采用BERT（Bidirectional Encoder Representation from Transformers）预训练模型作为训练模型,并在训练过程中记录模型每一轮次每个数据样本的每个标签类别的损失值,并将这些损失值进行标准化处理。其中标准化损失值之和越大的数据样本对应的标签类别,为噪声标签的概率越高。MLTU2-ONET在来自BDCI 2018的公开中文数据集“汽车行业用户观点主题数据集”上进行了实验验证,取得了较好的效果。并利用该算法修正了汽车制造商提供的“汽车论坛评论文本数据集”中针对属性类别识别任务的噪声标签。（2）提出了名为Multi-Label Circle Loss BERT（MLCLB）的多标签文本分类算法,以解决属性类别识别任务。该算法采用BERT预训练模型作为训练模型,并采用了已有的某个统一损失函数的针对多标签分类任务的形式作为损失函数。该算法在经修正噪声标签后的“汽车论坛评论文本数据集”上进行实验,实验结果有力地证明了MLCLB的有效性。（3）聚焦于对文本语句与所对应的属性类别的深度融合,提出了属性类别级情感分析模型——自注意力融合网络（SelfAttention Fusion Networks,SAFN）。该模型首先应用多头自注意力机制以分别获取语句和属性类别各自的注意力特征表示。然后,采用多头注意力机制将语句以及属性类别的注意力特征表示进行深度融合。最后,采用卷积神经网络提取更有价值的特征信息。实验在中文数据集“汽车论坛评论文本数据集”以及公开英文数据集Laptop-2015（Sem Eval2015 Task 12）上进行,实验结果有力地证明了SAFN的有效性。