随着互联网、大数据等技术的飞速发展,人们越来越多地在网络平台上发表自己的观点和意见,这些观点和意见是以文本信息为数据载体的。因此,研究这些文本信息的情感倾向,有着极高的商业价值。文本情感分析就是对含有情感色彩的主观性文本进行分析,并挖掘出其蕴含的情感倾向的过程。起初,研究学者使用基于情感词典与规则的研究方法以及基于传统机器学习的研究方法来完成文本情感分析任务,尽管这些方法取得了良好的效果,但这些方法往往需要借助人力进行词性标注,并且泛化能力较差。近年来,深度学习方法凭借其强大的数据表征和学习能力,被广泛地应用到文本情感分析任务中,并取得了显著效果。然而文本情感分析研究依然存在着一些问题,首先,现有词向量无法准确表征单词的情感信息,其次,针对上下文较为复杂的数据集,现有模型无法有效地解决文本中的一词多义现象。根据现有文本情感分析模型存在的问题,开展了研究工作,具体研究内容如下:（1）针对现有词向量无法准确表征单词情感信息的问题,本文提出了融合情感词向量的方法,分别使用基于上下文情感信息建模的词向量与基于上下文语义建模的词向量对单词进行编码,来表征单词的情感和语义信息。在此基础上,使用了双向循环神经网络分别提取单词的情感特征以及语义特征,并将两种特征进行融合,然后,使用注意力机制来进一步提高模型的分类精度。最后,基于上述设计,本文提出了SS-Bi LSTM-ATT模型。实验结果表明,该模型在评估指标上优于所选取的对比模型。（2）针对文本情感分析任务中的一词多义现象,如何准确提取复杂的上下文是解决该问题的关键。因此,本文提出了SS-Hi Transformer模型来准确提取复杂的上下文,模型中使用了层级Transformer编码器结构,该结构利用Transformer编码器强大的特征提取能力,分别提取文本的单词级特征和语句级特征,从而更有效地捕捉上下文情感信息和语义信息。与现有模型不同的是,本文还采用基于Transformer的解码器来单独处理需要预测的语句,并使用注意力机制来让模型更关注于上下文语句和需要预测语句之间的相关性。此外,过短的上下文会导致上下文信息的丢失,而过长的上下文又会引入数据噪声。因此,实验中还探究并选取了模型的最佳上下文长度值。实验结果表明,该模型在评估指标上优于所选取的对比模型。