文本情感分析是自然语言处理领域中一项重要任务。随着互联网的发展,网络上出现了大量的文本资源,对其中蕴含的情感进行分析可以提炼出巨大的价值,为政府和企业等机构的决策提供支持。本文主要关注文本情感分析领域中的两类任务:句子层级与目标层级的情感分析。同时,探索深度学习在情感分析领域中的研究方法和创新,主要研究工作如下:(1)在句子层级的文本情感分析任务中,基于顺序特征的长短期记忆网络等结构只提取到了文本的序列特征,但缺乏对文本结构特征的考虑。针对该问题,将树形神经网络,一种能提取文本结构特征的模型,与长短期记忆网络结构相结合,提出TC-LSTM、LT-LSTM和LCT-LSTM三种新模型。(2)在目标层级的文本情感分析任务中,基于长短期记忆网络的模型往往结构复杂,参数较多,训练时间较长,且不能较好地对目标词进行特征表示。针对这些问题,本文设计一种基于注意力结构的神经网络模型:AB-TBSA,该模型使用自注意力层取代长短期记忆网络结构进行文本特征提取,同时使用一层额外的注意力结构单独地作用于目标词,并加入批量规范化层来进行优化。最后,尝试使用Skip-gram模型来训练每个单词的位置特征向量,以此为注意力模型加入单词的位置信息。句子层级情感分析任务的实验在SST数据集上进行,改进的模型在该数据集的二分类和五分类任务中分别最高达到了88.7%与51.0%的准确率,均优于单独的长短期记忆或树形神经网络模型。实验验证了将文本的序列特征与结构特征相融合的可能性。目标层级情感分析任务的实验在Semeval-2014数据集上进行,基于AB-TBSA结构的模型在数据集的Laptop和Restaurant子集中分别最高达到了72.76%与78.29%的准确率,均优于近年来基于LSTM的模型。通过实验分析也进一步地验证了AB-TBSA模型的精简和高效。通过对注意力层权重的可视化表明,AB-TBSA模型能够较好地适用于目标文本情感分析任务。最后,位置特征向量的实验表明其有微弱的效果,但是还有待进一步地被进行改进。