随着移动互联网的迅猛发展,社交网络平台充斥着大量带有情绪色彩的文本数据,对此类文本中的情绪进行挖掘不仅有助于了解网民的态度和情感,而且对科研机构和政府掌握社会的情绪变化及走向有着重要作用。传统的情感分析采用二分类方法,无法精确、多维度地描述出文本的情感,并且不同领域文本数据集中还存在细粒度情感标签缺乏的问题,为了解决以上两个问题,本文重点研究基于深度学习的可迁移细粒度情感分析方法,主要工作包括以下几个方面:1.利用网络爬虫技术,针对微博平台的特点设计了相应的爬取策略,基于Scrapy爬虫框架,通过关键词筛选对微博平台中相关博文进行爬取,构成了新冠疫情期间观点数据集。2.提出了一种基于多通道卷积神经网络的细粒度情感分析模型BAMC。该模型由多通道CNN模型、LSTM模型和多头注意力机制模块组成,具体步骤包括:1)构建了三种向量表示,分别为单词向量、表情符号向量以及细粒度情感标签向量,将这三种向量输入到多通道卷积神经网络中以提取情感特征;2)经过LSTM提取文本中序列的特征,再由多头注意力对全文的整体特征进行捕捉;3)经过参数调优确定模型中各个超参数的最优值,再通过对照实验对本模型的有效性进行验证。3.提出一个可迁移的细粒度情感分析模型FMRo-BLA。该模型通过将预训练模型Ro BERTa中提取出的浅层和深层特征进行融合,将FGM对抗学习应用于特定领域文本进行细粒度情感分类任务,将源领域知识迁移到目标领域中,以解决数据集缺乏、数据分布不平衡的问题。之后通过消融实验验证各策略和模块对模型的影响。最后将模型运用在源通用领域和新冠疫情相关的目标领域数据集与其他先进模型进行对比,验证了本文提出模型的有效性。4.设计并实现了基于RESTful API的细粒度情感分析服务。首先通过将前述提出的模型进行封装,其次基于Flask框架结合Vue.js框架和Echarts技术搭建了细粒度情感分析服务的Web系统。最后实现了细粒度情感分析时间和空间维度的可视化展示。