随着在线社交网络的蓬勃发展,越来越多的人喜欢在互联网上以文字的形式表达自己的情感,例如用户可以对已购买的产品进行评价、对外卖订单给出点评、在微博等网站上发表自己对某件事情的看法等等。而对这些包含大量情感、态度、观点的文本进行情感倾向分析已经成为自然语言处理领域的一个非常热门的研究方向,具有实际的商业价值以及学术研究意义。以往的情感分析研究多为篇章级或句子级,即把整段文本归纳为一种情绪,这种研究已经无法满足“互联网+”经济的需求。为了更好的贴近实际应用,方面级情感分析（Aspect-based Sentiment Analysis,ABSA）应运而生。ABSA是更细粒的一种情感分类,旨在识别给定对象的情感极性,例如评论文本“这家餐厅的味道不错但是价格略贵”中的方面词“味道”和“价格”的情感极性分别为“积极”和“消极”。ABSA任务包含4个子任务:方面词提取（Aspect term extraction,AE）、方面词情感分类（Aspect-term sentiment classification,ASC）、方面类别分类（Aspect category classification,ACC）、方面类别情感分类（Aspect category sentiment classification,ACSC）,本文的研究围绕方面词情感分类任务（ASC）展开。ASC的传统解决方法多为基于情感词典和使用机器学习的方法,然而这些方法都依赖繁重的特征工程,且有性能瓶颈。而深度学习可以通过构建神经网络自动进行学习提取特征,已经成为情感分析领域的主流方法。因此,本文也基于深度学习提出不同模型来解决ASC问题。为了阐述方便,本文将ASC任务统称为方面级情感分类任务。总结来说,本文主要工作如下:（1）针对传统的方面级情感分类任务,提出一种基于混合神经网络的方面级情感分析模型HCL-MHA（Hybrid CNN and LSTM based on Multi-Head Attention）。该模型通过混合LSTM-MHA（LSTM based Multi-Head Attention）特征提取模块和CNN特征提取模块来捕获文本特征。LSTM-MHA中的双向LSTM可以有效从方面目标的前向和后向学习到上下文语义,且多头注意力机制能够捕获长距离依赖;而CNN用来提取局部特征,两者互为补充,使模型能够同时提取到文本的全局语义和局部情感语义。该模型Restaurant数据集的三分类任务上实验准确率为79.35%,在Laptop数据集的三分类任务上实验准确率为73.39%,F1值也比其他基准模型更高。（2）针对方面级情感分类任务中数据集偏小限制模型性能的问题,提出一种基于多头注意力的迁移胶囊网络模型MATC（Transfer Capsule based on Multi-head self Attention）。模型利用迁移学习思想将文档级注意力知识运用于方面级情感分析任务上,并且通过多头自注意力提取全局特征弥补CNN只能捕获局部特征的缺陷。模型使用胶囊网络作为分类层,根据神经元向量的长度进行情感极性分类,更好地提升分类性能。通过实验证明,MATC的准确率和F1值均优于HCL-MHA模型。此外,我们还将模型中的文档级模块运用于微博僵尸粉甄别任务上。（3）针对方面级情感分类任务中的跨领域问题,提出一种基于BERT和域对抗机制的模型DA-BERT（BERT combined with Domain Adversarial）。该模型由BERT-SAN特征提取模块、情感分类器和领域分类器三部分构成。其中BERT-SAN是BERT堆叠self attention network构成,情感分类器只对源领域数据集进行分类,领域分类器通过域对抗实现源领域和目标领域的特征混合,从而实现模型的泛化。在由Restaurant、Laptop和Twitter三个数据集构成的6个跨域对上的实验表明了模型的有效性。