随着自然语言处理技术的兴起,情感分析得到了广泛的研究。细粒度情感分析由于其分析对象更具体、更明确,成为近年来的研究热点。主流方法首先获取表征特定目标的句子嵌入层,然后将其馈送到各种经典神经网络以学习特征,最后通过分类器获得给定目标的情感极性。从CNN,LSTM,RAM,IAN到GNN的各种变体,研究人员挖掘各模型优势尝试对给定目标与其上下文之间的关系进行更好的建模。尽管已经取得了一些成果,但细粒度的多分类情感技术由于其准确率不够高、受数据集规模和类别样本是否均衡影响较大等特点,仍然无法完全应用于正式的分析场合,甚至出现相当比例极性完全预测相反的情况,同时模型不能对预测的结果进行解释。相比之下,通过贝叶斯神经网络建模模型的不确定性,对模型权重的分布进行推断,相当于集成权重分布上的多组神经网络模型,对小数据的学习有更好的鲁棒性,为深度学习模型提供了概率解释。因此,我们从模型的预测结果与模型置信度（不确定性）的关系入手,利用贝叶斯神经网络可以将概率建模与神经网络相结合的特性,对预测结果给出相应的模型不确定性,设计不确定性感知的损失函数UAL（Uncertainty Aware Loss）指导模型训练,为预测结果提供更合理的不确定性解释,并且提出不确定性感知的两阶段修正预测模型UATR（Uncertainty Aware Two-stage Refinement Model）,设计动态获得各批次不确定性阈值的策略,当不确定性大于一定阈值时,样本将会被筛选进行二次预测,建模句子成分间的依赖关系以获得更好的分类效果。本文的主要内容包括:1)针对规模较小、类别样本不均衡的数据集中出现极性预测相反比例较大的问题,探究模型不确定性应用于细粒度情感分析任务的有效性。2)在基于贝叶斯神经网络获取模型不确定性的基础上,设计并实现不确定性感知的损失函数UAL,使模型预测结果趋于正确分类样本伴随较小不确定性、错误分类样本伴随较大不确定性的区间分布,为预测结果提供可靠的不确定性解释,降低极性预测相反样本的占比。3)在得到误分类样本在不确定性区间合理分布的前提下,设计得到二次修正不确定性阈值的策略,提出基于不确定性的细粒度情感分析模型不确定性阈值指导的两阶段修正预测模型UATR,进一步提高细粒度情感多分类准确率和宏观F1值。通过在标准基准测试集Sem Eval14上设计实验,与目前的SOTA模型相比,本文提出03的模型UATR在laptop数据集上的准确率和宏观F1值分别提高了2.66%,4.19%,restaurant数据集上的准确率和宏观F1值分别提高了1.7%,2.2%。