在互联网飞速发展的当今社会,社交媒体平台已经成为了人们日常生活中的“聚集地”。人们可以时时地在平台上抒发自己对某人、某物、某事的观点或是看法。比如,用户会在淘宝、京东等购物平台发表自己对某件产品或某种服务的体验、评价;民众会在微博、微信等社交平台发表自己对热点的时事或是国家颁布的新政策发表自己的看法、建议或意见。这些评论文本包含着发布者的主观情感,因而有着巨大的研究价值。用户可以通过他人的体验或评价来决定是否进行消费,企业可以通过消费者的评价来对产品或服务进行改进,政府可以通过民众的言论来掌控舆论导向,维护社会稳定。因此,能够从海量的评论文本中高效捕捉有价值的信息的方面级情感分析技术越来越受到人们青睐。目前,大多数研究都是通过深度学习模型来解决方面级情感分析问题,且都取得了显著的成果。但仍存在一些不足,比如:循环神经网络及其变体,由于其自身结构的限制,对全局依赖信息学习得不够;没有充分利用文本的潜在语法信息;未充分利用多任务框架优势等。因此,针对评论文本,本文对基于深度学习的方面级情感分析技术进行研究,通过对任务架构、模型、技术等对深度神经网络模型进行改进,以提升模型在方面级情感分析任务中的性能。本文主要研究内容如下:（1）针对方面级情感分析中的方面词抽取任务,本文提出一种基于多任务学习框架的方面词和方面类别联合抽取和检测方法。该方法将方面词抽取任务与方面类别检测任务置于多任务学习框架之下,让二者通过任务共享向量进行交互,相互促进,从而增强联合模型在方面词抽取任务中的性能。此外,该方法还充分考虑了文本中的词共现信息和语法依赖信息,用于增强模型抽取方面词的能力。（2）针对方面级情感分析中的方面词情感极性判断任务,本文提出一种基于多头自注意力和词共现关系的方面词情感极性判断方法。该方法设计一个注意力编码层,从不同角度捕捉文本的语义语法信息,随后构建词共现图,并利用图卷积神经网络学习词共现信息,最后设计一个目标依赖的多头自注意力,进一步捕捉全局特征。以上两种方法都在公开数据集上与现有研究进行对比,对比结果验证了本文方法是可行的。