随着在线社交网络的兴起,大量的用户在互联网上发表文字表达自己的情感,其中既包含对生活、事件的情绪抒发,又包含对产品各个方面的使用体验和评价。这些情感表达为文本情感分析研究提供了数据基础。文本情感分析研究人们在文本中表达的情感、态度、观点、情绪。情感分析任务存在不同的粒度,包括句子级、目标级和方面级。在不同应用场景需要使用不同粒度的情感分析。不同粒度下的情感分析任务由于本身数据结构的特点,各自有着不同的问题和挑战。首先,对于句子级情感分析,现有方法没有考虑如何进一步挖掘文本的数据信息,或者利用模型中的某些输出信息,来进一步提升现有情感分析模型的结果。其次,对于目标级情感分析,忽略了不同目标实体之间的情感依赖信息,而不同目标之间的的依赖关系信息可以为目标级情感分析带来额外有用的信息。最后,对于方面级的情感分析,现有的模型仍然无法准确地捕捉句子中对于特定方面的相关信息。针对不同粒度下的情感分析相关问题,本文的主要工作有:（1）针对句子级情感分析任务,通过利用模型中学习到的信息进行学习策略的优化,本文提出了对偶再生网络（Dually-Born-Again Network,DBAN）以提高现存模型的性能。对偶再生网络通过迭代方法同时训练教师网络和学生网络,教师网络和学生网络共享大部分参数。训练多轮学生网络不需要重新初始化学生网络的参数。此外,通过集成学习方法还可以进一步提升DBAN的性能。DBAN可以改善情感分析中现有的最新DNN模型的性能。实验结果表明,DBAN确实能有效提高现有网络的性能。此外,DBAN的性能优于再生网络（Born-Again Network,BAN）。（2）针对句子级情感分析任务,通过进一步挖掘数据内部的信息,本文提出了基于样本精炼机制的句子级情感分析方法。样本精炼机制通过研究深度学习模型准确率与模型的概率分布输出的关系,预测出对模型训练有害的样本。样本精炼机制在无需引入额外的语言知识,也无需修改模型结构情况下,通过减少有害样本的训练权值,提高现有模型的情感分类的准确率。此外,本文引入集成学习,进一步提高对训练有害的样本判断的准确率,从而进一步提高了原模型对于句子级情感分析的性能。最后,本文将样本精炼机制和对偶再生网络相结合,对模型进行更进一步的优化。通过实验论证,结合样本精炼机制和对偶再生网络确实可以进一步提高句子级情感分析的分类准确率。（3）针对目标级情感分析任务,为了有效地对依赖关系进行建模,本文中提出了一种使用图卷积网络对情感依赖关系进行建模的新方法,称为情感依赖图卷积网络（Sentiment Dependencies with Graph Convolutional Networks,SDGCN）。该模型可以有效地捕获一个句子中多目标之间的情感依赖关系。SDGCN首先引入带有位置编码的双向注意力机制,以建模每个目标和其上下文之间的特定目标的表示,然后在注意力机制的下一层采用GCN来捕获一个句子中不同目标之间的情感依赖性。本文的是第一个采用GCN进行目标级情感分类的工作。在本文的方法中,每一个目标被视为一个节点,而用边来代表两个节点之间的情感依赖关系。所提出的方法在Sem Eval 2014数据集上进行了评估。实验表明,我们的模型优于最新方法。我们通过进一步进行实验来评估GCN模块的有效性,结果表明不同目标之间的依赖关系对于目标级情感分析是非常有帮助的。（4）针对方面级情感分析任务,为了更准确地捕捉方面相关的上下文信息,本文提出了一种基于渐进式注意力网络（Gradual Attention Network,Gra AN）的方面级情感分析方法。该模型由多级的渐进式注意力机制组成,前级的注意力机制模块是比较平滑的,可以注意到更多的词,捕捉到的信息更为全面。前级的注意力机制更容易捕捉到方面相关的信息,此部分信息的泛化能力更好。在前级注意力机制的基础上,接上后级的注意力机制。后级的注意力机制模块是比较锋利的,可以捕捉更为精确的局部信息。通过将多级的注意力信息结合起来,模型既能把握全局信息,也能关注局部的信息。此外,本文在模型训练过程中加入了一个基于方面类别的辅助损失。通过对方面信息的学习,让模型可以学习到更多与方面相关的信息,让模型可以更准确的关注与方面相关的词。我们在两个Sem Eval数据集上进行了充分的实验。结果表明,Gra AN取得了最佳性能,并验证了渐进式注意力的重要性。