随着用户对文本情感分析的要求日益提高,情感分析正在从粗粒度层面向细粒度层面转变。方面级情感分析旨在识别给定文本中每个特定方面/目标的情感类别,作为情感分析的重要子任务之一,可以针对不同的方面挖掘出用户更具体更深层的情感,从而成为多个领域决策的重要依据,具备很大的应用价值,演变成自然语言处理NLP任务的新兴研究方向。该任务的重要挑战包含如何更好地建模方面和上下文之间的语义关系,以及更深层地挖掘文本的语法依赖。针对方面级情感分析的以上两点问题,本文对能够获取文本语法信息的图卷积网络进行研究,提出了基于多头注意力机制和图卷积的模型以及基于门控卷积和图卷积的模型,具体的工作有:（1）为充分利用文本的语法依赖信息以提升模型情感极性预测性能,本文提出了基于多头注意力机制和图卷积的方面级情感分析模型。模型中结合图卷积网络有效提取文本语法信息,双向长短期记忆网络提取长距离时序依赖信息的优势;引入方面词的位置信息,提高信息检索的性能;引入多头注意力机制学习方面词及上下文之间的相互影响,有效地捕获方面和上下文的交互语义信息。（2）为了丰富局部关系建模内容以进一步提升图卷积模型的方面情感极性预测性能,本文研究提出了基于门控空洞卷积和图卷积的方面级情感分析模型。该模型使用门控空洞卷积网络丰富局部关系特征提取信息,同时在编码上下文时融入了方面信息;方面特定的图卷积网络能较好的捕获语法信息和远距离单词依赖,进一步提取方面特征;引入位置感知转化,减少图卷积过程中的噪音和偏差。（3）通过在Twitter评论数据集以及来自Sem Eval-2014 ABSA的数据集的餐厅、手提电脑评论数据集上进行对比实验,在准确率和F1值上的结果验证了本文所提的两个模型的有效性。基于多头注意力机制和图卷积的模型性能优于大部分经典模型,基于门控空洞卷积和图卷积的模型有效改进了方面特定图卷积模型的性能,在使用Bert预训练编码后的效果优于大多数最新的有效模型。