互联网技术的快速发展极大地降低了人们接收和发布信息的门槛。海量的网络文本包含民众对事件与商品的看法,通过大数据分析以及情感挖掘能够帮助政府了解事件的舆论走向,也能为推荐系统提供数据支撑。面对指数级增长的评论文本,传统的情感分析方法已捉襟见肘,因此本文以深度学习方法为基础,围绕目前情感分析中存在的文本特征表示不充分、不准确的问题展开研究,面向不同类型的情感分析任务构建更准确的文本特征表示方法,本文的具体工作与创新内容如下:（1）针对现有的中文词嵌入表示仅包含一种粒度信息、存在特征不充分的问题,提出了一种字粒度与词粒度特征融合的方法,该方法使用全模式分词得到更丰富的词序列,经词嵌入后将词向量输入双向长短期记忆网络提取全文的语义信息,并将隐层语义表示与对应字向量进行初步融合,增强词级信息的鲁棒性。另一方面将字向量输入多窗口卷积,捕捉更细粒度的字符级特征。最后将字词粒度特征进一步融合后输入分类器进行分类。实验结果表明,采用该方法的模型相比同类模型在分类性能上有一定提升。（2）针对评论类文本多方面词多意见词共存导致的情感特征表示不准确问题,提出了一种方面级特征表示方法,构建了基于词共现的方面级情感分析模型（BCGN）。该模型利用BERT获得包含上下文与方面词交互注意力的节点信息。同时,对每条数据样本构建独立的词共现图,使用门控图神经网络更新节点,加强方面词附近信息的融合、减少无关意见词干扰,提高特征表示的准确性。之后在自注意力层进一步融合全局信息,得到最终方面级情感特征表示。对比实验表明采用该方法的模型相比同类模型在分类性能上有进一步提升。（3）针对中文句式多变,现有的模型在提取深层语义信息上仍有欠缺的问题,提出了一种深层语义特征表示方法,构建了基于语义依存图的方面级情感分析模型（MGSem GCN）,该模型通过语义依存图关联句子中的语义单位,跨越句子浅层句法结构上地束缚,可以获得深层的语义信息,并利用图卷积网络使信息在词与词、层与层之间传递,之后对其输出计算自注意力,加强关联性,再和字符级特征融合,得到最终方面级情感特征表示,对比实验表明采用该方法的模型相比同类模型在分类性能上有更进一步提升。