文本情感分析被广泛应用于网络舆情监控、内容推荐等领域,是自然语言处理任务中一个非常重要的研究方向,在商业、政治和网络空间安全治理等方面都具有很好的应用前景。文本情感分析任务可以细分为文档级、句子级和方面级,这几种子任务处理的目标不同,应用场景也有所差异。基于深度学习的研究方法具有端到端自主学习的功能,可以省去人工构建词典或者定义特征模板的繁琐工作,在文本情感分析任务中展示出巨大的潜力,逐渐成为了热门的研究方法。虽然深度学习方法在文本情感分析任务中取得了突破性进展,但是仍然存在一些问题,如对文中的句法结构信息以及句子语义等信息的利用还不够充分。为此,本文研究了如何把句法特征信息融入深度学习框架,更好地解决文本情感分析问题,主要研究内容有:（1）融合句法增强的文档级情感分析方法研究,提出了一种用于情感分析的句法边增强图神经网络模型。所提模型考虑到句法依赖和上下文对语义理解的重要性,构建了句子句法图和文本共现图,并将两种图结构进行融合,在表征全局词共现的基础上,融入了句法信息,增强了文本语义特征信息;又考虑到图神经网络有强大的特征提取能力,使用了门控图神经网络GGNN更新节点表示;同时采取注意力机制,使得句子更多的关键特征得到充分利用。在中文酒店评论和外卖评论的公开数据集上进行了实验,相比未融合句法图的方法,F1值分别提升了1.69%和0.32%,显示了模型的有效性。（2）融合句法增强的方面级情感分析方法研究,提出了一种基于句法增强的多通道方面级情感分析模型。与文档级或者句子级情感分类任务相比,方面级情感分析的挑战在于,如何设计有效算法,能够对方面词与观点词之间的关系进行准确建模,更精确地判定给定方面词在语境中的情感倾向。所提模型借助句法分析技术,对句子中特定方面及其观点词进行建模,构建基于方面词的句法树,采用单词共现的方法构建单词共现图,分别在两个通道上使用图卷积神经网络提取文本特征,同时利用擅长捕获文本上下文特征的Bi-GRU提取句子语义特征,将特征经过高速网络机制融合后,进行情感分类判断。在Twitter、Rest14和Laptop公开数据集上,F1值分别达到了74%、76%和75.1%,表明了所提模型的有效性。