神经网络模型通过构造非线性网络结构去捕捉文本中的情感特征,在文本情感分类任务有着不错的表现。但是该类方法有着诸多值得改进的地方。（1）每个模型凭借自身的特点抽取不同的特征,如何设计一个模型去利用这些特点去尽可能多的捕捉情感特征,避免文本信息的浪费值得研究。（2）用户评论往往并非长篇大论,而是简短有力的短文本,如何在较短的文本量下提高情感分析的准确率。（3）如何针对文本中不同的对象进行情感分析,而非对整个句子进行情感分析等等。针对以上问题本文展开如下研究。（1）提出多特征提取模型以解决粗粒度情感分析。本文提出多特征提取模型（Affective feature pre-extraction model,AFPEM）,从词语固定搭配、关键词汇、上下文信息等各个维度出发,利用各类模型的特点提取不同的情感特征;中文文本因为其特殊性,进行情感分析时需要分词操作。网络用语、地名等新词的出现使词嵌入模型无法达到预期的效果。因此本文提出字词融合机制,在词向量基础上引入字向量,通过自适应模型使二者融合,提高词嵌入模型的可用性。实验结果表明,AFPEM模型对情感分类准确率的提升有所贡献。（2）提出双向注意力模型,提高对象与文本的交互能力。对于细粒度情感分析,对象词汇与短文本之间是存在关联的,本文提出基于对象交互的双向注意力模型（Multi object interaction model,MOIM）,计算对象词汇中各个词与文本中的各个词对于双方的重要程度,并根据重要性调整自身词汇的权重,以达到文本与对象交互的作用。将对象词汇进行预处理,提高对象词汇的辨识度,有利于后续的情感分类。提出改良版的损失函数。针对不同的错误分类给予不同的惩罚力度,提高模型的训练速度。本文设置对照实验验证以上观点的可行性,提出一个通用的模型结构以提高细粒度情感分类的准确率,并将其应用于《上海市高等学校计算机基础教学资源平台》网站。