随着互联网技术的迅猛发展,网络空间上涌现着规模庞大且充斥个人情感倾向的非结构化文本信息。人们渴望通过有效的方法对网络文本信息进行分析处理,从而挖掘其中的隐藏价值。文本情感分类分为粗粒度情感分类和细粒度情感分类,旨在对文本中所蕴含的情感倾向进行推理和预测。在细粒度情感分类方法中,存在情感词一词多义、方面词与上下文信息间缺少必要联系、注意力权重分配不均衡等问题,本文将围绕这些问题开展对细粒度情感分类方法的分析与研究,主要研究工作如下:（1）针对情感词一词多义的情况,优化方面词的利用效率。构建了一种融合了ALBERT预训练模型与双向门控制循环神经网络的细粒度情感分类模型（ALBERT-BiGRU）。该模型利用ALBERT预训练模型对文本上下文和方面词进行向量化表示,并结合BiGRU网络最终获取文本上下文与方面词的隐藏状态,结合交互注意力机制为方面词在文本上下文中的相关情感词匹配合适的权重信息,有效提升了情感分类效果。（2）针对注意力权重分配未结合语境相关信息从而导致注意力分配不均衡问题,在ALBERT-BiGRU模型的基础上构建了一种融合了交互注意力机制与句法依存关系的模型（IATT-BiGCN）。该模型改进了原始的图卷积网络,建立了双向依存句法树,提出了能够感知依存句法树的方向信息的双向图卷积神经网络（Bi-directional Graph Convolutional Network,BiGCN）挖掘文本中的词语和方面词之间的句法依存信息。通过掩码层挖掘特定的方面词表示,结合交互注意力机制充分获取文本上下文和方面词之间的交互信息,进一步提升了情感分类效果。（3）在SemEval公开数据集上对模型效果进行了验证。实验结果表明ALBERT-BiGRU模型在该数据集上的准确率达到了78.85%,同主流的细粒度情感分类模型相比可以有效提升情感分类的准确度。融合了交互注意力机制与句法依存关系的IATT-BIGCN模型在该数据集上的准确率达到了81.79%,有效提升了情感分类准确度。