近年来深度学习和以预训练模型为代表的迁移学习被广泛应用于自然语言处理。将通用语料预训练模型迁移到特定情感分析任务有基于微调的迁移和基于特征的迁移两种方法。以BERT为代表的基于微调的方法,针对目标任务对整个预训练模型进行微调。以ELMo为代表的基于特征的方法,将计算代价高昂的预训练模型与下游模型的训练分离,首先从预训练模型中提取上下文词向量,再用目标任务重新训练下游模型,这样减少了训练所需的计算资源。但是一方面其捕获的上下文词向量缺乏情感信息,另一方面,当标签语料较少时,仅用情感分析任务来训练下游模型容易过拟合。本文将研究如何应用深度学习方法,从细化词向量的情感信息、高效捕获文本的时序关系和高效训练模型三个方面构建社交文本情感分析模型,从而提升准确性。针对上述问题,本文以实验室项目为背景,在对深度学习、词向量细化和注意力机制等相关技术深入研究的基础上,提出了上下文-情感词向量模型SCe SA和自注意力情感分析模型SSA。首先,为了构建具有丰富语义和情感信息的词向量,基于预训练模型和词向量细化算法,研究并实现SCe SA。然后在此基础上,基于自注意力机制构建SSA来改进SCe SA的下游模型,使其可以捕获文本的长距离依赖关系。接着,以单词情感预测作为辅助任务,提出双目标SSA以提高网络泛化度,提出多种联合训练方法来优化SSA以加快网络训练。最后,本文在SST、MR和Sem Eval等数据集上验证了两个模型的有效性。本文的主要工作和创新点如下:1)构建SCe SA模型。通用语料预训练方法获得的词向量缺乏情感信息,本文提出的SCe SA模型使用基于情感词典的词向量细化方法来构建情感词向量,将其与上下文词向量相结合来构建具有多语义和情感信息的上下文-情感词向量。实验表明,以CNN作为下游模型时,SCe SA模型在SST-5数据集上的分类准确率为48.95%,相比基于上下文词向量的ELMo-SA模型和基于情感词向量的Senti-SA模型,准确率分别提高了1.3%和1.2%。2)构建双目标SSA模型。考虑社交文本的长距离依赖捕获和并行处理,构建基于自注意力机制的SSA来改进SCe SA的下游模型。将单词情感预测作为辅助任务,提出双目标SSA以提高网络泛化度。定义加权多目标函数来权衡两个任务,并设计多种联合训练策略对SSA进行优化。实验表明,双目标SSA模型在SST-2数据集上的准确率为84.1%,比单目标SSA模型提升了0.8%。采用Unfreeze训练策略比采用Freeze策略在SST-2数据集上准确率提升了0.7%。3)与其他情感分析模型的对比。在SST-2、Sem Eval和MR数据集上,将SSA模型与已有的基于自注意力机制的SAN模型和基于多任务学习的CNN＿SA模型进行对比。在SST-2数据集上,SSA模型准确率比SAN模型和CNN＿SA模型分别提高了2.1%和0.7%。在Sem Eval和MR数据集上,SSA模型的准确率分别为68.2%和78.5%,与SAN模型和CNN＿SA模型的效果相当。