随着网络基础设施的逐步完善与移动互联网的快速发展,社交软件、购物网站、个人博客等网络平台受到了越来越多互联网用户的欢迎。用户在这些网络平台上可以跨越时空的限制,自由地发表带有情感色彩的评论性文本。这些评论性文本从各个方面描述了其对某些热点事件、公众人物、商品或服务的情感倾向,具有很高的社会和商业价值。用户对某些商品或者服务做出评价时,可能会对商品或者服务的不同方面表达出不同的情感倾向。方面级情感分析作为情感分析的一种细粒度任务,能够判别出用户对具体某一个方面所持有的情感,具有极高的应用价值。近年来,深度学习技术在自然语言处理领域得到了广泛应用,利用深度学习方法在海量的网络文本评论中进行方面级情感分析具有广阔的应用前景,已成为情感分析领域的研究热点。本文分别从句子语义特征提取、方面词情感特征精炼及多特征联合建模这三个方面研究了如何利用注意力机制和卷积神经网络提升方面级情感分析效果。具体来说,本文研究主要包括以下三点工作:（1）针对基于Bi-LSTM的方面级情感分析方法对句子的全局语义特征与局部语义特征提取能力不足的缺陷,本文设计一种基于多头自注意力卷积神经网络（Multi-head Self-attention Convolutional Neural Network,MSCNN）的方面级情感分析方法。首先利用多头自注意力机制捕获句子的长依赖信息,提升网络的全局语义特征提取能力,并结合方面词所在的上下文生成方面词表示。进而,利用本文提出的多通道卷积模块从多个角度感知句子的局部信息,提取到更丰富的局部语义特征。最后,结合注意力机制生成用于分类的方面词情感特征。实验证明,MSCNN中的两个模块均能有效增强网络的语义特征提取能力,进而提升网络的方面级情感分析性能。（2）传统基于注意力机制的方面级情感分析方法忽略了句子的句法依存特征,容易造成方面词与上下文的错误匹配,导致提取到的情感特征存在噪声。为此,本文提出一种基于情感特征精炼网络（Sentiment Feature Refining Network,SFRN）的方面级情感分析方法。首先利用Bi-LSTM结合注意力机制提取方面词和上下文的语义特征,并利用GCN提取与方面词相关的句法依存特征。进而,使用本文提出的基于门控机制的情感特征精炼模块,完成方面词与上下文的语义交互与句法交互,过滤方面词情感特征中冗余信息与错误匹配导致的噪声,从而达到更好的情感分析效果。实验显示SFRN在Lap14、Rest14、Twitter三个公开数据集上的准确率与Marco-F1值两项指标优于目前主流方法。（3）针对目前的方面级情感分析方法忽略词共现信息以及句法标签信息的问题,本文提出一种用于方面级情感分析的双策略图卷积网络（Dual Strategies Graph Convolution Network,DSGCN）。首先,利用Bi-LSTM提取方面词和上下文的语义特征。进而,构建带有句法标签的句法图及带有词频标签的词共现图,并利用Bi-GCN分别在带有标签的句法图与词共现图上进行图卷积操作,提取句子的句法信息与词共现信息后进行特征融合。最后,结合注意力机制得到情感特征并分类。对比实验、消融实验与案例分析证明了DSGCN对于提升方面级情感分析效果具有积极意义。