随着网络上丰富且可用的评论资源不断增加,针对观点分析和观点挖掘的研究应运而生。它们针对这些来自网络上对产品或社会问题的公众评论的文本资源进行研究,并从中抽取和总结出重要观点。本文研究并设计一种观点分析系统,它从无标记的原始评论文本中抽取观点和它们对应的极性,并能够建立观点与极性的映射关系。研究的主要内容如下。首先,着眼于观点分析领域特征的抽取工作。从粒度的角度考虑特征的性质可以将特征分为粗粒度特征和细粒度特征。在这部分内容中主要研究如何准确的抽取一个事物最具代表性的粗粒度特征,进而围绕这些粗粒度特征进行细粒度特征的抽取和筛选。研究中应用bootstrapping等算法在没有标注的文本集合上学习相关于每个特征的词语或短语,它们用于特征和极性的识别。然后,针对前人提出的特征相关词语的歧义度计算方法和存在的问题进行分析和讨论并在本文中提出一种计算歧义度的新方法,以及重新定义特征相关词语的得分计算公式。第二,许多针对评论文本结构的研究发现,在真实评论文本中的句子或段落通常包含两个或两个以上特征,这样的句子或段落需要基于特征的文本分割方法。另外,本文的研究中发现在不同的评论文本之间长度存在着巨大的差距。针对这些现象,本文中提出了一种基于特征的文本分割方法叫做LSMAS,它基于两种文本分割方法而且在它们的基础上加以改进并提出了部分新的公式。第三,这部分的研究集中在评论文本的极性分析上。通用极性词典普遍存在的问题是对依赖特定域的词语或短语极性判断精确度不高。为解决这个问题,在这部分中提出一种不借助任何通用极性词典而建立一个域依赖的极性词典的通用方法,它能很好的解决以上提到的问题。然后,应用建立好的极性词典对“区域”(“区域”指由算法分割后的文本单元)中的特征进行极性的判别工作。最后,在包含1000篇评论文本集上测试本文建立的观点分析系统。经试验验证,此系统产生的结果能够达到较高的准确率,并具有较好的执行性能。