文本内容作为网络信息的主要载体,使得研究者们可以获得大量真实可靠的情感数据,从而为情感分析任务提供了必要的数据基础。情感分析研究可以分为显式情感分析和隐式情感分析。隐式情感表达更加含蓄,文本中缺少明显的情感词,因此隐式情感分析任务成为了自然语言处理领域的核心难题之一。幽默、侮辱性言论常常采用描述客观事实的方式表达情感,其情感倾向性往往隐藏在文本的潜在语义背后,而反讽文本字面语义常常和所要表达的语义相反,因此如何让计算机能够更好的识别幽默文本、反讽文本和侮辱性言论成为隐式情感分析任务中的关键问题。本文围绕基于深度学习方法的隐式情感分析任务,从幽默识别、反讽识别和侮辱性言论检测三个任务展开了研究。对于幽默识别任务,首先针对幽默识别中缺乏幽默理论驱动的问题,详细的分析了幽默的语音特性和模糊性特性,提出了基于语音和模糊性语义理解的门控注意力的幽默识别方法,该方法通过引入语音信息和携带模糊性词汇信息的语义信息来提高幽默识别的性能。另一方面,针对幽默的不一致性特征和模糊性特征,提出了基于内部和外部注意力机制的幽默识别方法,该方法能够通过单词间的注意力机制关注到语句的不一致性特征,通过引入单词模糊性等级信息并采用注意力机制使模型能够关注到语句的模糊性信息,从而更好的提高了幽默识别的性能。对于反讽识别任务,首先针对目前的深度学习方法缺乏对反讽语句的多维度语义表示的问题,提出了基于多语义融合的反讽识别方法,该方法能够更加充分的利用语句的语境特征、词性特征和风格特征。针对如何更好的获取语句的情感特征、不一致特征和上下文特征以及如何融合不同维度的语义信息的问题,本文提出了基于多语义表示和层次注意力机制的反讽识别方法,该方法通过单独对情感词和上下文建模、自注意力机制和字符级的卷积神经网络获取了多维语义特征,并采用层次注意力机制融合不同维度的特征。实验结果表明多语义表示和层次注意力机制都能够显著地提升反讽识别的性能。对于侮辱性言论检测任务,针对目前的侮辱性言论检测方法多采用侮辱性词典或者通过数据集本身获取情感特征的问题,提出了基于情感迁移和多门控特征融合的侮辱性言论检测方法。该方法利用多个单词级和字符级的特征提取单元共享侮辱性言论检测任务和情感分析任务的参数,从而将情感分析任务中情感特征迁移到侮辱性言论检测任务中,最后采用门控注意力机制融合不同特征提取单元获取的特征。在两个公共数据集上的实验结果表明,该方法获得目前最佳的性能。