随着互联网应用的发展和普及,人们更倾向于在线上社区、博客、微博等网络平台上发表自己的看法、态度或心情,由此产生大量的评论文本数据,使得情感分析在处理文本数据方面成为一个研究热点。这些评论文本数据资源,同时也是服务平台或产品汲取意见的依据。本文针对评论文本进行细粒度情感分析技术研究,构建了基于深度多任务网络的方面级情感分析模型,用于联合学习评论实体方面项提取及情感分类任务,并在三种数据集上实验验证模型有效性。本文主要工作内容如下:（1）构建了一种联合学习方面术语提取（ATE）任务和方面类别识别（ACD）任务任务的深度多任务网络模型。现有大多数ABSA研究只针对某一项子任务,这就会导致丢失任务间的相关信息,本论文将用于ATE任务的BiLSTM层和用于ACD任务的CNN层结合在一个多任务框架中,在进行ACD任务时可以学习ATE任务中的信息,实现交叉学习,验证了多任务学习的有效性。（2）利用BERT、BiLSTM、CRF、CNN构建了一种联合处理方面术语提取和方面情感极性分类的深度多任务网络模型。采用流水线策略解决ABSA中相关子任务时,模型的误差会从上游任务传递到下游任务,从而导致错误不断累积,所以本论文在已有特征提取模型BiLSTM-Attention和命名实体识别模型BERTBiLSTM-CRF之上,引入CNN层,构建深度多任务网络模型,提高了方面术语提取及其情感极性分类性能。（3）基于本文第四章构建模型,设计开发了基于做业反馈文本分析的学业情绪识别系统。该系统可提取大量作业反馈文本中学生对教学活动或作业的观点与意见,并按学业情绪极性分类。该系统提供了一种科学分析学生学习状况的有效手段,为教师优化教学活动、改进教学内容提供依据。