近年来,随着互联网的繁荣发展,电子商务逐渐进入人们的生活。线上购物时,在线评论是消费者了解商品质量的重要渠道。在出版领域,豆瓣书籍评论也成为消费者购书的重要参考。面对海量用户评论,情感分析技术能够将用户评论按照情感倾向分类,有效挖掘评论信息,帮助消费者了解书籍风评。目前,关于中文书评情感分析的研究文献大多采用情感词典和支持向量机等传统机器学习方法。由于书评文本往往包含大量抽象的情节描述,因此在情感分析任务中,对模型深层语义的提取能力要求较高。同时注意到,深度学习模型已在微博等社交媒体短文本情感分析领域取得优秀成果。因此,本文在BILSTM-Attention模型的基础上,将知识增强语义表示（ERNIE）模型、多头注意力机制与文本句法特征融合,提出了 BMAE（BILSTM Multi-heads Attention ERNIE）深度学习情感分析模型;基于TensorFlow和百度飞桨深度学习框架,以豆瓣书评为依据,探究深度学习在书评情感分析任务中的应用效果。本文的主要工作有:（1）基于Uipath软件搭建流程机器人,批量收集豆瓣读书短评,建立了书评短文本语料库。为提升文本向量化效率,本文对比了 ERNIE、BERT、Word2vec三种方法,最终选择了准确率更高的ERNIE模型。（2）在BILSTM-Attention模型的基础上,提出BMAE模型。为解决并行多头注意力机制无法收敛的问题,本文尝试叠加多头注意力机制、前馈神经网络与自注意力机制,降低模型复杂度的同时,加入正则惩罚项缓解了过拟合问题。此外,本文对评论文本进行词性标注,在模型中引入词语位置信息和文本句法特征。模型参数选择方面,本文尝试基于一个正交设计进行优化。相比基础BILSTM-Attention模型,BMAE在准确率、精确率、召回率、F1值四个指标上分别提升了 3.17%、2.07%、3.82%、2.94%。（3）具体分析包含情节描述的书评文本,验证了 BMAE模型在处理此类书评时,准确率远高于情感词典方法。此外,本文还分析了 BMAE模型的错分样本,为模型的后续改善提供了方向。