自然语言处理技术的发展,无论是学术界还是工业界都非常重视,情感分析是其重要的研究方向。近年来,如博客、论坛、微博、电商网站等平台都提供了用户发表观点和评论的渠道,由于信息过载,人们越来越倾向于参考别人的评价信息选择消费。有效地分析这些观点信息,有利于用户熟悉产品信息、调整经营策略、监控舆情动态等。传统的情感分析大多基于整个句子进行情感预测,然而,生活中人们往往更加关注指定方面的情感评价。因此,方面级情感分析任务应运而生。目前情感分析系统主要依靠大量数据进行驱动,一些研究者不断尝试通过一系列数据增强、数据迁移等方式增加辅助信息,通过实验表明这种方式对模型性能提升有限,并且需要大量数据进行迁移学习。利用其它领域的样本进行迁移学习,很难避免领域间不同语境带来的语义差异。因此,方面级情感分析任务是一个非常重要且非常复杂的问题,需求与发展永无止境,目前仍存在很多亟待解决的问题:第一,方面级情感分析任务的标注数据匮乏,且人工标注成本巨大,训练样本不足会极大地限制模型性能;第二,句子中不同方面的情感倾向不尽相同,如何更好地关注方面词相关的上下文情感信息是研究该任务的重难点之一;第三,目前情感分析平台大多开放的是基于整个句子进行情感预测,缺少具体方面的情感分析,设计并实现一个方面级情感分析系统是非常具有研究价值的。针对以上方面级情感分析任务中存在的不足,本文从数据增强、同义词替换、预训练等角度深入研究,提出两个算法模型并实现一个方面级情感分析系统。主要包括以下几点贡献:（1）提出一种基于预训练和同义词替换的数据增强算法。为了解决方面级情感分析任务的标注数据匮乏问题,本文对数据增强算法进行了深入研究,对比分析了基于预训练模型生成语义信息的有效性,提出一种基于预训练和同义词替换的联合训练模型。通过预训练模型生成同义句,保证语义信息的一致性,再联合同义词替换算法进一步丰富样本数据,保证生成句子的唯一性。最后在Sem Eval 2014数据集上进行模型评估,利用方面级情感分析任务的经典基线模型进行对比实验,验证了本文所提数据增强算法的有效性。（2）提出一种知识增强的预训练模型。为了解决方面对应的特征提取不充分问题,本文前人成果进行深入研究,分析实验角度,发现研究者更多的是关注句子的全局上下文信息,利用领域内或领域外的情感信息增加辅助情感知识,从而忽略了方面词附近的情感信息对指定方面情感表达具有更大积极作用的特征。本文提出一种基于全局文本信息和方面词局部情感信息进行联合知识增强的预训练模型,全面考虑了方面词的语义信息。在Sem Eval 2014和Twitter数据集上对比实验,从多个角度进行分析,验证了模型的有效性。最后还与主流的迁移学习进行对比分析,更进一步说明了模型在数据集较少的领域内效果表现更佳。（3）设计并实现一个方面级情感分析系统。本文设计并实现一个方面级情感分析系统,将本文所提两个算法模型应用于该系统中。用户可以根据需要自训练一个领域内的方面级情感分析模型,快速进行方面级情感倾向预测和数据统计分析。