在电子商务以及互联网技术快速发展的今天,越来越多的人选择通过网络进行消费,并愿意在网络平台上分享自己对商品或服务使用体验的评论。通过对在线评论的挖掘和分析可以为其他消费者提供多方位的产品使用体验信息,帮助潜在消费者做出更好的购买决策;同时也可以使商家进一步了解自身产品的优势和不足,从而优化其管理策略、改进产品或服务质量、强化自身竞争优势。目前,在线评论相关的研究引起国内外学者们的广泛关注,对酒店和旅游领域的在线评论研究也逐渐深入,但已有研究工作主要集中在评论的文本内容、文本情感倾向、评论者等级等方面的分析。用户生成图片是在线评论的重要组成部分,图片中包含的物体可以充分展示产品和服务的特点,同时可以体现用户对产品属性的关注程度,图片中所包含的物体对进一步研究在线评论具有重要价值。然而,当前对图片评论中所包含的物体信息的挖掘尚不多见,且主要以内容分析法和符号学分析法为主,这些方法不能为酒店场景下的图片提供有效的特征提取方法。因此,本文在深度学习目标检测算法Faster R-CNN的基础上,结合酒店用户生成图片应用场景的特点,分析Faster R-CNN在此场景下识别准确率低的原因,提出有针对性地优化措施,满足酒店用户生成图片应用场景下的检测需求。本文结合酒店用户生成图片中的目标物体具有种类繁多、形状大小多变、样本数量不平衡等特点,提出适合酒店场景的更加高效的目标检测模型Faster R-CNN-FFS。具体研究工作包括:首先本文以从“去哪儿”、“携程”等电子商务平台的用户生成评论中获取的图片数据作为数据支撑,对酒店用户生成图片数据集的制作,共标注了八类物体,14901张图片。然后,针对在复杂无约束的酒店场景下,如何有效缓解对多目标物体检测和对小尺寸目标识别时出现的误检、漏检等问题,本文对Faster R-CNN模型的特征提取网络结构进行改进,提出将特征融合结构引入到Faster R-CNN中进行特征提取。接着,针对训练过程中正样本、负样本以及困难样本、简单样本之间的比例失衡的问题,提出使用Focal Loss损失函数来替代原模型中的交叉熵损失函数。其次,针对现有模型中基于NMS算法的候选框筛选机制较为简单直接,导致漏选得分较低但是可以正确表示另一个物体的候选区域。本文使用Soft-NMS,对Faster R-CNN的非极大值抑制算法进行优化,挑选出质量更好的潜在目标区域进行回归。最后,对本文所提出的Faster R-CNN-FFS模型进行验证,本文所提出的模型的识别效果具有显著提升,最终的mAP值达到了 69%。以上工作证明本文的研究工作充分考虑酒店领域用户生成图片目标物体检测的数据特点,有效解决了复杂无约束场景下的多目标识别问题。该研究结果为复杂场景下的目标物体检测研究提供的新思路,同时也为拓展基于多模态的结构化数据（评分）和非结构化数据（文本和图片）的在线评论分析研究提供了有效的理论支持,进一步丰富了用户生成内容的特征,为深入研究酒店在线评论的工作提供有效支撑,对酒店优化服务和酒店管理决策具有重要参考价值。