在互联网和信息科技高速发展的今天,人们已经能够随时凭借各类社交网络平台和电子商务平台发布自己的观点和想法。这使得互联网中涌现出海量的文本数据,这些评论文本中大都包含着情感信息,分析文本中蕴含的情感并提取出其中有价值的信息对于企业、政府乃至社会都有着重大的研究价值。基于此,文本情感分析成为了最受学者们关注的领域之一。传统的情感分析任务是在文档或句子级别上进行的,通常只能粗糙地表达出一个整体的情感极性,并不能够针对某一特定方面或对象做出判断,导致用户的实际需求难以得到满足。这对于分析粒度的细化要求就越来越高,因此,从方面级别的角度分析文本中蕴含的情感信息的细粒度情感分析任务便出现了。细粒度情感分析指的是对句子中包含的每个对象或方面的情感极性进行分析。例如在“这款耳机质量非常好但是外观不好看”这句话中,针对耳机质量来讲,用户表达出的是积极的情感倾向,但是从外观的角度,用户却表达出了消极的情感倾向。因此,依靠细粒度的情感分析可以得到用户对于实体对象更加全面的情感态度。以往的细粒度情感分析方法往往侧重于捕捉方面词和观点词之间的语义联系,而没有很好地考虑到句子的句法结构和单词之间的依存关系。因此,本文中提出了两个有效的基于深度学习的细粒度情感分析模型,它们有效地结合了句子中的结构信息并能够准确地判断出句子中多个方面的情感极性。此外,本文还将训练好的模型应用到了网络舆情智能分析系统中,进一步证实了方法的可靠性和应用性。本文的创新点和主要工作如下:（1）针对基于注意力机制的模型可能会给与情感极性预测不相关的单词赋予更高的权重的问题和句法信息缺失的问题,本文提出了一种基于图注意力网络和结构化注意力机制的细粒度情感分析模型。该模型能够准确捕捉到与方面词情感极性相关的上下文片段,并通过句法依存树来获取单词和句子之间的句法信息,有效地结合了语义关系、句法依存关系和单词间的长距离依存关系。在三个公开的数据集上进行了大量实验,实验结果证明了该模型可以对每个单词赋予正确的注意力权重并能有效克服句法关系缺失的问题。（2）针对模型可能会给具有强烈情感色彩的词赋予更高的注意力权重,导致一些关键但注意力权重较低的词语被忽略掉,从而使得模型中存在过量噪声信息的问题,对上一个模型方法做出了进一步的改进,提出了一种利用图卷积网络和分层的多头注意力机制的情感分析模型。该模型进一步考虑了句子之间的依存关系,可以充分利用句法信息排除与方面词无关的上下文词的影响,并且能够结合语义信息实现上下文和方面词之间的交互。该模型在三个公共英文数据集上进行了实验,实验结果表明该方法缓解了噪声信息对于模型的影响,进一步提升了细粒度情感分析任务的准确率。（3）在本文中提出的情感分析模型的基础之上,设计并实现了一个网络舆情智能分析系统,进一步验证了本文中提出的方案的有效性。首先该系统利用网络爬虫技术对新浪微博、新闻网站和百度贴吧的文本数据进行采集,然后对采集到的数据进行预处理操作,最后对预处理后的数据进行情感极性的判断。实验表明,该系统的各项功能都达到了预期的效果,并且系统的情感极性预测的全面性和准确性也能够满足用户的实际需求。