情感分析作为NLP领域的子任务,通过文本内容计算出对应的情感极性,已在社交平台、电商平台及舆情分析多个领域得到应用。传统的情感分析中只对于文本进行整体分析,给出单一的情感倾向,而对于评论文本中出现多个不同的评价方面且对应的情感倾向不统一时,其所达到的效果已经不能满足人们当今个性化需求。而细粒度情感分析是有针对性的对文本中出现的细粒度级别的方面进行情感倾向的判断,更加全面的反映评论文本的潜在信息,为消费者和商家及平台提供决策支持。本文围绕中文评论文本对基于深度学习的细粒度情感分析方法进行深入研究,本文主要内容如下:（1）细粒度情感分析任务着重依赖于局部信息的提取,如何从文本中提取出关键词将是细粒度情感分析的重点,针对文本中的细粒度方面词的提取,本文提出一种词选择注意力机制（word selection attention mechanism,WSAM）,构建基于词选择注意力机制的细粒度情感分析模型,能有效地在文本中提取出与细粒度情感分析任务相关的词语。通过在AI Challenger 2018公开数据集上进行对比试验,通过比较模型F1值,本文方法具有较好的效果。（2）针对文本的多个方面的情感分析问题,本文提出基于LSTM-GateCNN（LSTM with Gated Convolutional Networks）网络的细粒度情感分析模型,与当下流行的细粒度情感分析模型相比,该模型不需要额外附加外部方面信息,可以自主的将文本中的方面信息进行识别和定位,在目标词语和上下文语境的区分、对重要语境词语的关注上,利用LSTM（Long Short-Term Memory）学习连续序列和区域CNN（Convolutional Neural Networks）捕捉局部信息的特点,将它们结合并在模型中融入注意力机制对重要信息赋予权重值,能够将文本中和特定方面有关的内容突出的同时抽取出情感信息。进而实现同时对文本方面信息和情感信息进行建模,能够一次对文本中出现的多个方面进行情感分析,达到有效的细粒度情感分析效果。实验表明,模型的分类准确率较其他方法有较大的提升。（3）设计并实现了面向中文文本的细粒度情感分析系统,运用细粒度情感分析算法解决实际问题,通过对真实数据的分析,实现细粒度情感分析的目的。