文本情感分析是一种对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程,是自然语言处理领域中最重要的研究方向之一。通过对海量的互联网平台信息进行情感倾向分析,研究人员可以高效且直观地理解平台用户对于社会新闻,政治事务和产品走势等事件的态度,从而进行舆论监督和改进商业策略等工作。传统的文本情感分析方法有赖于人工特征提取的质量和外部工具,导致情感分类精度较低。近年来,随着深度学习技术的不断发展,其中Transformer的双向编码表示模型即BERT（Bidirectional Encoder Representation from Transformers,BERT）构建的情感分析方法因其独特的预处理机制和优秀的情感分类效果在自然语言处理领域得到了广泛的应用。目前,文本情感分析任务按照建模粒度划分为句子级情感分析任务和方面级情感分析任务两种。本文基于句子级别和方面级别两个维度针对BERT模型进行深入研究,并解决以下两个问题:一是如何将基础BERT模型进行优化并提高其句子级情感分类的精度,并将其运用于中文语料环境下的数据集中;二是如何建立深度学习网络模型并实现从数据资源丰富的句子级数据库中深层迁移到数据资源匮乏的方面级情感分析任务中,并提高方面级情感分析任务的分类精度。主要研究工作如下:（1）针对BERT模型进行改进,通过对其核心方法即遮蔽语言模型方法（Masked Language Model,MLM）和下一句预测方法（Next Sentence Prediction,NSP）添加三个策略使得模型效率得到提升的同时,优化模型的情感分类性能。其中策略1和策略2分别针对遮蔽文本中的具体数字和具体地名、人名或事件名等命名实体添加[NUM]标识和[NER]标识,通过结合Bi LSTM-CRF方法识别命名实体的标识,避免模型进行无意义遮蔽的词汇预测。策略3通过对NSP方法进行规则重置,优化句子级预测顺序。将改进的BERT模型在中文语料数据集上进行训练和测试,通过与基准模型的实验结果对比,引入策略1和策略2的方法使得改进BERT模型相较于原模型的准确率提升0.52%,引入策略3使得准确率提升了0.91%,证实了本文所提三种策略方法的可行性和有效性。（2）针对方面级情感分析领域由于人工标注困难导致构建的数据集普遍较少的问题,在改进BERT模型的基础上,结合迁移学习和注意力机制构建基于深层次迁移学习的短文本情感分析网络模型,提高模型分类效果。该模型的主体结构包括应用改进BERT模型进行文本预处理的文本嵌入层、结合注意力机制的迁移学习编码层以及情感分类的输出网络层。首先,将构建的模型在短文本句子级别的情感分析数据集上进行预训练。然后,将预训练后的模型在数据量较小的方面级情感分析任务数据集上进行训练,再通过迁移学习编码层将句子领域内短文本级别的情感信息迁移到基于方面级的情感分析任务中。最后,通过结合注意力机制加强模型提取方面级情感特征的能力,提高模型的分类精度。实验结果表明模型分别在笔记本电脑评论,推特评论和餐馆评论三个领域的数据集中,相较于最优基准模型准确率分别提升了1.59%,1.66%和2.34%。