情感分析，是指通过自动分析用户评论的文本内容，得到用户对事物的喜好、情感等。根据情感分析粒度来分，主要分为词语级、句子级、篇章级等多粒度的研究。从目前的研究工作来看，词语级、句子级情感分析由于文本长度限制，往往导致抽取的情感信息不够完整；与此同时，篇章级情感分析多注重对篇章整体的情感分析算法研究，很少涉及对篇章内部情感的细致分析。深入分析可以发现，这两个问题的本质在于目前的工作对评价对象的研究不够。针对这两个问题，本课题提出了评价对象抽取与评价对象消歧问题，这样能够在不损失评价对象完整性的情况下获得词语级、句子级情感信息。本文首先分析了国内外对评价对象抽取的研究，并讨论了有指导的评价对象抽取算法。重点比较了最大熵模型和条件随机场模型抽取评价对象的效果。然后，本文讨论了领域内评价对象词典构建问题。重点讨论了基于半指导学习的评价对象词典构建的问题。通过简单的规则和少量评价词词典构建一个大规模的评价对象词典，再对评价对象词典进行去噪。本文创新性地针对词典去噪进行了详细的、系统的研究。接着，本文讨论了词典与统计相结合的评价对象抽取。虽然评价对象消歧问题在实际应用中非常重要，但是目前还没有人深入地研究这个问题。本文借鉴了一些共指消解中的方法，并结合情感分析中的一些研究，对基于中心理论和基于情感连续性的评价对象消歧问题进行了初步探索。