互联网发展日新月异,在改变人们生活娱乐方式的同时,也拓宽了社交渠道。交流分享不再受到距离限制,但问题亦接踵而至,攻击性言论犹如附骨之疽充斥在网络世界中,破坏着绿色文明的网络交流环境。攻击性言论是针对特定个人、群体进行言语攻击或能引起观者不适的文字内容,常见于各种社交媒体平台。准确的自动化检测工具能有效遏制攻击性言论的泛滥,故研究聚焦于使用机器学习方法检测识别攻击性言论。攻击性言论相关子任务包括了检测任务与识别任务。检测任务的目标是判断文本攻击性的有无。其难点在于文本攻击性体现的方式多样,常需结合上下文才能进行切实分析,而样例文本一般较短小且数据量少,能获取的信息十分有限。识别任务的目标是判断攻击性文本的指向。其核心在于需重点关注攻击性文本中体现攻击性的部分,以及这些部分所修饰的对象。针对提出的重点难点,本文进行了以下研究:（1）针对检测任务存在的难点,本文提出了一种基于BERT的多任务攻击性言论检测模型。其主要思想是在有效利用文本上下文的同时,为检测任务引入更多的有用信息。BERT预训练模型能给文本提供上下文相关的词表示,并获得从大规模语料库学习到的额外语言信息。多任务学习框架可以从特定的辅助任务中获取到特征,并为主任务提供有利于任务目标的特征信息。（2）由于目前没有公开的中文相关数据集,所以本文根据相关英文数据集的规模,对新浪微博的用户评论进行了采集与标注,构建了一个小型的中文微博攻击性言论数据集,用以验证检测模型在中文场景下的有效性。实验结果表明,检测模型在中文数据集下依然有效。（3）针对识别任务聚焦的重点,本文提出了一种融合注意力的多任务攻击对象识别模型。其主要思想是利用注意力机制着重关注攻击性文本中体现攻击的部分,以及其修饰的对象。模型延续了使用BERT模型以及多任务学习框架的优点,同时在结构中融合注意力模块,筛选出更适合任务的特征信息,进而能得到更加精准的判断。