随着电子商务的发展,众多网络购物平台上的产品评论数量呈指数级增加。这些海量评论数据中潜藏了大量用户的情感信息,具有较高的应用价值。传统情感分析技术直接给出了评价语句的整体情感倾向,而用户关注的往往是产品某一具体方面的情感极性。当评价语句中包含多个评价对象,并且对应的情感极性发生冲突时,传统分析方法并不能做出正确判断。细粒度情感分析技术能够挖掘出评论语句中包含的多个评价对象,并对每个评价对象作出相应的情感极性预测。因此,针对细粒度情感分析技术的研究是非常有意义的。本文对细粒度情感分析的两个子任务,即评价对象抽取和情感极性预测分别进行了深入研究,并在此基础上实现了面向产品评论的细粒度情感分析系统。具体工作如下:（1）针对评价对象抽取任务,构建了Bi GRU-CRF模型。该模型以加入简单特征和领域相关特征的Word2vec词向量作为输入,隐藏层使用双向GRU来充分获取评价语句上下文之间的依赖关系,最终采用条件随机场模型作为输出层来完成输出序列的标注工作。在预测当前标签时充分考虑了过去和未来标签之间的依赖关系,从而提高了评价对象抽取任务的准确率。（2）针对评价对象情感极性预测任务,构建了TC-Bi GRU-Attention模型。该模型是在TC-LSTM模型的基础上作出适当调整,将评价对象对应的词向量均值和评价语句对应的词向量拼接起来作为模型的输入,隐藏层采用双向GRU提取评价语句上下文的语义特征信息,并引入注意力机制获取评价语句的长距离依赖关系,根据上下文对评价对象情感极性预测的影响程度来赋予相应的权重,解决了特征信息捕捉不充分的问题,提高了模型预测的效果。（3）在评价对象抽取和情感极性预测任务研究的基础上,设计并实现一个面向产品评论的细粒度情感分析系统,系统以饼状图的形式直观的展示了评价对象和情感极性占比情况。最终对系统进行功能和性能测试,测试结果表明系统满足用户的基本需求。