文本分类任务对于文档存档,检索,分析和挖掘是至关重要的。传统文本分类的目标是预测文档的标签,大都属于单文本单标签的文本分类任务,虽然取得了很多令人瞩目的成就,但是随着用户需求的不断增加和应用场景的不断变化,传统文本分类任务的发展面临着两方面的限制。第一,从文本粒度来看,传统的文本分类是对整篇文档进行分类,属于粗粒度的文本分类任务。然而,随着应用场景越来越复杂,粗粒度文本分类研究已经不能满足人们的需求。以一个真实的场景为例,某互联网平台上有海量商品评论,用户从评论中想深入了解目标产品的各个方面从而做出决策,而商家更想从评论中了解用户对某一产品各个方面的喜好程度,这些需求推动了细粒度方面级文本分类任务的快速发展。第二,从标签粒度来看,传统的文本分类大部分只需要预测文档的一个标签,属于单标签的文本分类任务。然而,随着文档数量和标签数量的不断增加,标签粒度越来越细,这些标签之间既有显式的层次关系,又有隐式的内在关联,这些需求推动了细粒度层次多标签文本分类任务的快速发展。本文从文本粒度和标签粒度两个不同的角度出发,主要研究了两个细粒度文本分类任务-细粒度的方面级情感分析（Aspect-based Sentiment Analysis,简称ABSA）和细粒度的层次多标签文本分类（Hierarchical Text Classification,简称HTC）。前者旨在检测评论文本中多个方面（也称为意见目标）的情感极性,而后者的目的是在给定的标签层次结构中从上到下依次预测文档的多个标签。在深度学习时代,研究者们提出了很多基于神经网络的监督方法来解决这两个任务。针对ABSA任务,大多数基于神经网络的ABSA方法运用注意力机制来捕获意见目标相应的情感词,然后将其汇总为证据来推断意见目标的情感极性,虽然取得了可喜的效果,但是由于ABSA标注数据是有限的,因此它们未能充分发挥注意力机制的潜力。对于HTC任务而言,现有的基于神经网络的HTC方法主要利用父级标签信息来指导子级分类并且取得了很好的效果,但是它们忽略了真实场景中由不正确的父级标签引起的错误传播问题。针对以上存在的问题,本文分别提出以下解决方法:1.标注数据不足会限制基于注意力的模型对ABSA任务的有效性,相比之下,互联网中存在海量的文档级情感分类数据,而且这些数据中包含着大量情感信息和语义模式,因此本文提出了面向方面级情感分析的注意力转移网络ATN,以利用资源丰富的文档级情感分类语料库中的注意力知识来提高资源贫乏的方面级情感分类的注意力能力,最终达到改善ABSA性能的目标。2.现有的HTC方法忽略了真实场景中由不正确的父级标签引起的错误传播问题,因此本文提出了面向层次多标签文本分类的标签修正胶囊网络LCN。具体来说,我们将层次胶囊网络作为基本模型,在此基础之上,我们设计了标签注入和标签路由两种方法来增强模型对不正确父级标签的容忍度,最终达到提高HTC任务鲁棒性的目标。本文围绕细粒度文本分类任务展开研究,基于合理的研究动机提出相应的改进模型,并在公开数据集上取得了最佳的效果,证明了所提模型的有效性。