随着移动互联网的兴起,人们的衣食住行都与互联网全方位紧密联系起来。微博、微信、论坛等社交媒体的兴起,越来越多的网民愿意在网络上发布见闻、观点、想法。互联网上的消费者在选购商品和服务时,也可以方便地对所购买的商品或服务进行评价。这些评论文本中包含了人们的消费观点和情感因素。针对用户评论文本中的情感倾向信息进行研究挖掘具有极高的商业价值和社会价值。传统的情感分析方法主要包含了基于情感词典的方法和基于特征机器学习的方法。在大数据时代,面对海量的文本信息传统情感分析方法逐渐不再适用,基于深度学习的方法逐渐成为情感分析任务中的普遍选择。本文主要针对粗粒度语句级别情感分析和细粒度方面级别情感进行研究,对现有的基于深度学习的情感分析算法进行了研究与改进,并且针对当前情感分析任务的研究趋势,将预训练模型和迁移学习的技术引入到了情感分析模型中,本文主要工作如下:（1）研究了当前语句级别情感分析的不足之处,在现有研究的基础上,本文提出了语句级别情感分析算法CBLSAN,利用多通道卷积神经网络和双向长短时记忆网络共同获取文本的语义信息特征,同时引入自注意力机制,提高了模型对文本自身关键特征的学习,提高了语句级别情感分析分类结果的准确率。（2）研究了当前方面级别情感分析存在的问题,在现有研究的基础上,本文提出了方面级别情感分析PIMSN算法,利用方面词语的位置信息结合多头自注意力以及多重交互注意力的机制来提高模型的信息感知能力,提高了方面级情感分析分类结果的性能。（3）针对当前自然语言处理领域常用的预训练-微调模式,本文引入了BERT预训练模型,利用BERT词向量对本文提出的PIMSN算法进行了改进,利用BERT词向量能够获取更多上下文交互信息的特点,本文提出了PIMSN-BERT改进模型,进一步提高了本文模型在方面级情感分析任务上的分类准确率。（4）设计并实现了一个针对用户评论的情感分析系统。基于上述研究成果,根据情感分析系统的数据特点和场景需求,将本文提出的算法进行实现。用户可以登录到评论情感分析系统中进行使用,本系统可以实现评论语句的自动采集和分析预测功能。