随着互联网的蓬勃发展,各种在线社交媒体平台逐渐走进人们的视线中,新浪微博作为当下热门的社交软件,因其用户数量大、信息覆盖领域广而深受欢迎,网民可以通过微博实时分享对热点话题的看法,海量文本数据也因此源源不断的产生。在网络语言日益复杂的今天,与传统的粗粒度情感分析相比,方面级情感分析（Aspect-Based Sentiment Analysis,ABSA）能获取网民在特定话题下针对不同角度的情感倾向,从文本中挖掘到更全面、更丰富的信息,这不仅能为企业提供营销和管理决策,还能协助国家、政府机构及时监管当前舆论走向,因此对微博文本进行方面级情感分析具有现实意义。单一的深度学习模型如循环神经网络（Recurrent Neural Network,RNN）和卷积神经网络（Convolutional Neural Network,CNN）在ABSA任务中存在局限性,无法充分提取文本特征,本文以微博文本为主要研究对象,在RNN和CNN模型的基础上进行了相关改进来提高模型性能,主要工作内容如下:（1）通过爬虫技术获取微博特定词条下的所有评论文本,并针对微博文本的特点进行数据清洗,对评论文本进行子句切割,通过程序和人工操作对数据集进行方面标注和情感极性标注,制作包含各方面的微博文本数据集。（2）针对单一的RNN无法提取文本局部特征以及单一的CNN无法学习长期依赖关系的问题,本文提出了一种基于双通道特征提取的AG-GCNN模型,该模型通过塔式结构使用文本卷积神经网络（Text Convolutional Neural Network,Text CNN）和双向门控循环单元（Bidirectional Gate Recurrent Unit,Bi-GRU）模块并行地从局部和全局关系上较为完整的提取特征,在一定程度上减少了特征的丢失,模型引入了门控机制和注意力机制进一步过滤与方面词无关的上下文信息,同时在特征提取阶段嵌入了方面词信息,充分实现特定方面与上下文之间的交互。相比起基准模型,本文提出的AG-GCNN模型在公开数据集Sem Eval2015上的分类性能有所提升,对比实验证明了模型的有效性。此外,AG-GCNN模型在制作的微博数据集上也表现出了良好的分类效果,实验结果验证了模型的实用性和泛化性。（3）本文利用基于词频统计的方法并结合人工筛选来初步提取评论文本中的方面词,再将提取的方面词进行聚类得到针对特定微博话题的多种方面类别,同时对话题各方面的评论情况进行统计汇总与分析,得到网民对话题的看法与情感倾向,并对该社会话题折射出的问题提供了相关建议。