特定目标情感分析是情感分析任务中的一个细粒度化任务,其能够确定句子中某个特定目标词的情感极性,在自然语言处理中是一个重要的研究领域。具有多层级注意力结构的深度学习模型在文本分类任务中已经被证明具有最前沿水平的性能,本文在特定目标情感分析领域对此类模型进行改进并应用于特定目标情感分析中,提出了两种具有多层级注意力结构的深度学习模型,以提升特定目标情感分析性能。论文的主要工作如下:（1）提出了多层级LSTM注意力网络（Hierarchical LSTM Attention Network,HLAN）,HLAN 主要由向量映射层、LSTM 注意力层、交互注意力层、预测层组成,整合了 GloVe词向量模型、双向LSTM网络、注意力机制等深度学习方法。（2）在HLAN模型的基础上进行改进,提出了多层级多编码方式注意力网络（Hierarchical Multi-Encoders Attention Network,HMEAN）。其由向量映射层、GRU多头注意力联合编码层、多头注意力交互编码层、池化预测层组成。相较于HLAN模型,HMEAN网络结构有所差别,其采用了正、余弦位置向量映射机制,并使用具有更多参数量的多头注意力机制和结构更简化的双向GRU网络进行联合编码学习。本文中,为验证上述提出的两个模型的性能,本文在公开数据集SemEval 2014数据集上进行了实验,最终证明了两模型有效性。