近年来,随着互联网逐渐地深入人们的生活,用户已经习惯了在各大平台上分享和发表自己的观点,这些包含着大量用户行为数据的评论文本为开展文本情感分类研究提供了强有力的数据支持。文本情感分类作为自然语言处理领域的研究热点,相关的模型研究和应用拓展一直以来都备受研究者的关注。根据文本情感粒度的不同文本情感分类可分为句子级文本情感分类和目标级文本情感分类。当一个句子中包含多个目标实体和情感时,句子级情感分类任务会存在较大的情感判断偏差。为了解决句子级情感分类任务这一局限,本文在此基础上进行了更加符合人们认知习惯的目标级文本情感分类任务的研究。尽管文本情感分类任务的模型研究已经取得了许多成果,但仍然有许多地方值得改进。首先,先前的句子级情感分类模型很少关注神经网络模型中由于大量非线性函数的多层映射所导致的信息损失问题。其次,在目标级文本情感分类模型中大量的研究未充分地利用目标词三分句子的任务特性。同时,之前研究也未曾考虑情感分类模型的可落地性以及应用价值。本文根据现有模型在句子级和目标级文本情感分类任务中存在的不足,分别设计了两种深度学习的情感分类模型,并通过案例研究得到了每家店铺的总体得分和区域内的口碑分析结果。论文的主要工作和贡献概括如下:（1）在句子级文本情感分类任务中,提出了一种基于特征融合的对抗循环神经网络模型（FARNN-Att）。针对非线性激活函数的稀疏激活性导致的信息损失问题,FARNN-Att模型在双向长短期记忆网络（Bi-LSTM）的基础上,通过构建特征连接层不仅充分地利用了预训练词嵌入信息,而且很好地缓解了模型在前向传播过程中的信息损失。另外,通过添加注意力机制和对抗训练模块提升了FARNN-Att的模型性能和鲁棒性。最后,实验验证了FARNN-Att模型的优异表现和有效性。（2）在目标级文本情感分类任务中,提出了一种三通道特征增强的深度交互网络模型（TFEI）。之前的研究未能将目标词三分句子的任务特性引入到预训练的语言模型,并进行充分挖掘。为了彻底地激发该特性在目标级文本情感分类任务中的应用潜力,TFEI模型以BERT语言模型作为基础,巧妙地利用该特性构建了三通道的特征提取方式。同时,TFEI模型还利用不同的通道输入形式和交互学习更加充分地挖掘了目标词与上下文之间的语义关系。最后,实验验证了TFEI模型在所有数据集上的杰出表现和有效性。（3）在模型应用和案例分析中,研究了FARNN-Att模型在口碑评价中的应用。在得到FARNN-Att模型预测结果的基础上,通过联合模型的预测结果和店铺评论数构建了店铺的整体评价模型,从而得到每家店铺的得分。最后,分析了店铺得分与人均消费价格和评论数之间的关系,以及可视化展示了研究范围内店铺得分在空间上的变化趋势和差异。