随着互联网技术的更新迭代,越来越多的消费者在互联网平台上分享、交流,因此产生了大量的评论文本数据。挖掘海量文本中隐藏的消费者的情感态度,对消费者、企业和互联网平台都具有重要意义。传统的情感分析方法存在依赖大量人工设计、特征提取能力不足等问题,无法满足现阶段情感分析任务的要求。基于深度学习的方法被证实是目前最前沿的方法,并且对其进行有效融合也更优于单一模型。因此本文探索了更具优势的融合模型,并应用于长评论文本中以提升其分类性能。首先,鉴于目前单一模型对长评论文本特征提取不足和融合模型参数量大的问题,本文提出了 BiGRU-Multi-Att-DSTCN融合模型（Bidirectional Gated Recurrent Unit Multi-head Attention Mechanism Depthwise Separable Temporal Convolutional Networks,简称BiGRU-Multi-Att-DSTCN）。模型先使用双向门控循环单元提取文本的全局信息:融入多头注意力机制获取文本不同子空间的多重特征;然后传入时间卷积网络,并对其改用深度可分离卷积的方式以降低可训练参数量;最后将充分提取的特征输入全局平均池化层后再进行分类。其次,针对长评论文本中类别不平衡和硬样本问题,在BiGRU-Multi-Att-DSTCN融合模型基础上,本文提出可训练参数量更少但分类性能更佳的BiGRU-Att-HCNN融合模型（Bidirectional Gated Recurrent Unit Self-Attention Mechanism Hybrid Convolutional Neural Networks,简称 BiGRU-Att-HCNN）。模型先将自注意力机制融入双向门控循环单元;然后将标准卷积和多层的空洞卷积并行,用来同时提取短语级和句子级的多尺度特征,其中卷积方式更换为分步计算的深度可分离卷积。传统的交叉熵损失导致硬样本和数量多的某类样本的损失值占据总损失值的主体。因此本研究改用焦点损失,并用Leaky ReLU激活函数接收由焦点损失导致的低损失值。最后,本文将上述两个模型在三个公开的数据集IMDB、Yelp2013和TSB上进行验证。与18个基准模型对比,本文提出的模型在六个评价指标下具有一定的优势,且后者性能更优。同时,对两个融合模型中关键的超参数和多个重要的模块进行实验并分析,最终证明BiGRU-Multi-Att-DSTCN和BiGRU-Att-HCNN融合模型在长评论文本数据集上优越的分类性能。