随着社交网络的发展,互联网上积累了海量的文本数据,分析文本的情感极性对政府、企业和个人都具有重要的意义。早期的情感分析旨在判断段落或句子的整体情感极性,无法识别句中不同方面的情感极性。方面级情感分析旨在判断句中不同方面的情感极性,近年来受到学者的广泛关注。基于深度学习的方面级情感分析方法能够克服传统机器学习方法对特征工程的依赖,并具有显著的分类效果。然而,基于深度学习的方面级情感分析研究存在以下问题:模型选取单一、无法建模句子层级结构、长度较短与情感表达不清晰的句子的特征提取困难。本文针对上述问题展开研究,主要研究内容如下:（1）单一选取卷积神经网络或者循环神经网络存在特征提取不充分、难以关注对分类结果有重大影响的词和忽略句子层级结构的问题,并且传统语言模型无法表达多义词。针对上述问题,提出基于多头注意力与BERT的多通道模型。该模型采用BERT生成动态词向量,弥补传统语言模型无法表达多义词的不足,将文本词向量与方面词的词向量拼接后作为模型的输入;引入多头注意力机制使模型关注对分类结果有重大影响的词语;引入有序神经元长短时记忆网络建模句子的层级结构,提取文本的上下文语义信息,同时利用卷积神经网络提取文本的局部特征,增强模型的特征提取能力。在中英文数据集上开展三分类实验,结果表明该模型在准确率和宏平均上均优于所选取的基线模型。（2）长度较短和情感表达不清晰的句子的特征信息有限,传统模型难以从此类句子中提取出足够的特征信息。针对上述问题,本文进一步研究文本自身特点,提出基于多特征与注意力机制的模型,同时设计一种对距离敏感的位置编码策略。该模型提出将情感特征和词性特征融入文本词向量,弥补传统模型仅以文本词向量作为输入的不足;采用双向门控循环单元网络提取文本的上下文语义信息;针对传统模型对位置信息提取不足的问题,设计一种对距离敏感的位置编码策略;利用注意力机制学习方面词与上下文之间的关系。在三个公开的英文数据集上开展二分类和三分类实验,结果表明该模型在准确率和宏平均上均优于所选取的基线模型,并且该模型对于长度较短和情感表达不清晰的句子具有良好的分类效果。