深度神经网络（deep neural networks,DNNs）在自然语言处理（natural language processing,NLP）的各个领域特别是情感分析领域已经取得了广泛的应用。DNNs具有特征自学习能力,特别适合学习文本抽象、高维和复杂的语义特征。DNNs具有海量的训练参数,其决策过程具有难以理解的黑盒性,而具有可解释性的模型不仅容易改进,也更容易被使用者理解和信任。为此,本文以情感分析任务为切入点,探究深度神经网络在情感分析任务上的建模方法,并构建自解释生成模块对模型的决策行为加以语义形式的理解和解释。论文的主要工作包括:一、提出基于多词嵌入多模型融合的文本情感分析建模方法。论文比较了使用不同词嵌入方式和机器学习模型对情感分析测评结果的影响,并基于多词编码实验了多模型融合方法以提升情感分析性能,最后在大规模酒店评论数据集上证明该融合方法能有效改善情感分析性能,分类准确率较最优基线模型提升1%。二、提出基于改进预训练语言模型的文本情感分析建模方法。微调语言模型存在训练参数过多、模型迁移性差和样本输入长度受限等三个主要问题。针对这些问题,本文试验了冻结语言模型权重、压缩语言模型、使用卷积网络和胶囊网络提取高级语义特征以及修改位置编码等四种方法。和直接优化微调模型的方法相比,以上方法的组合能将模型的准确率最大提升1.5%,训练时间减少67%。三、提出基于改进注意力机制的多输入文本情感分析建模方法。多输入文本间的信息交互是细粒度情感分析的关键。具体来说,在动态词编码的前提上,使用双向LSTM网络和对关联信息进行有效挖掘,并将双向LSTM的隐藏层状态作为注意力层的输入,之后依据文本交互的位置信息重新更新注意力分布。最后,针对注意力层的权重,使用权值共享方法以加深网络深度,使用胶囊网络做分类决策。相比基线模型,本方法构建的模型在F1值和准确率上均有1%以上的提升。四、提出一种基于预训练语言模型的胶囊网络,用于情感分类任务,并可生成自解释文本作为可解释依据。本文首先提出了一种中文自解释平行语料构建方法。之后使用该语料训练解释生成网络,对分类决策加以解释。在中英语料SNLI语料上对模型进行自动测评和人工测评,结果显示该方法对比基线解释模型不仅提升了5%的准确率,困惑度、BLEU等可解释性指标也都有所提升。最后,在所构建的细粒度情感分析语料上对本文提出的解释性框架进行测试并验证解释依据。