随着5G移动网络的到来以及便携式移动端网络设备的快速发展,人们能够从互联网中获取大量的信息,并在购物网站、社交媒体上随时随地发表自己的言论,带有用户个体情感的文本数据得到了爆发式增长。基于文本数据的情感分析任务自出现以来一直备受关注,在许多实际应用中得到了广泛的研究,该任务的目的是自动检测出文本中包含的情感极性,探究用户对产品、热点事件、问题、事物等的看法和观点,帮助个体或者组织作出更好的决策。本文主要对不同粒度的文本情感分析任务进行了研究,并对提出的算法进行了广泛的实验,最后将算法应用于实际,实现了情感分析Web应用。本文主要研究成果如下:（1）本文面向文档级情感分析任务提出了基于多粒度注意力机制的MAHG模型,使用双向门控循环单元建立层级结构来捕获远距离上下文语义表达,构建了跨层连接弥补深层次模型造成的信息损失,并提出了多粒度注意力机制获取更有效的上下文特征表示,从而能够更准确地识别情感。并在此基础上,研究了基于BERT的MAHG模型,使用BERT来生成文本嵌入信息,使得模型性能得到了进一步提升。实验结果表明,MAHG模型和BERT-MAHG模型都在文档级情感数据集上实现了良好的性能。（2）针对句子级情感分析任务,本文提出了轻量级的基于双通道的CSRDS模型,在实现模型性能提高的同时尽量保证训练效率。该模型分别部署了空间编码通道和时序编码通道从时间、空间两个维度对文本进行深层次建模,获取局部短语向量表征和全局上下文向量表征进行整合,并设计了双重肯定机制聚焦于显著特征。CSRDS模型构成了更全面的情感特征来解决句子级情感分析任务在多粒度层次上的文本稀疏性问题,并降低了计算复杂度。通过在四个公开的英文句子级情感数据集上与多个基线模型进行对比实验,验证了该模型性能的有效性以及训练效率的优越性。（3）不同于前面两种面向文本整体的情感分析,方面级情感分析任务旨在挖掘包含多个方面情感的句子中用户对不同方面的情感倾向。本文提出了基于信息流选择机制的RPISC方面级情感分析模型,有别于目前大多数基于长短时记忆网络等循环神经网络变体的方面级情感分析模型,该模型采用了多通道一维卷积神经网络作为核心架构,获取多尺度局部特征,此外还充分考虑方面信息并引入相对位置信息来捕获方面词及其对应情感观点词的关联信息,设计了信息流选择机制提取特定方面的情感特征。经过实验验证,与基线模型进行性能比较,该模型在方面级情感分析任务中有明显的优势。（4）本文针对方面级情感分析任务,还提出了基于三方互通注意力机制的TAMG情感分析模型。为了打破文本在既定的自然语言词序下难以连接方面词与对应情感观点词的局限,本文将句法信息引入模型,利用依存句法树来表示句子结构。然后构建图卷积网络在依存句法树上结合句法依赖关系更好地捕获远距离语义信息,还提出了三方互通注意力机制在方面、上下文隐层表示与节点特征表示这三者之间进行互相推理学习,更好地判断出对于特定方面的情感倾向较重要的信息。并通过广泛的实验,证明了该模型在多个方面级数据集上性能的提高。