近年来由于网络的高速发展,中国的网民规模和网络普及率均在急剧增加,线上交易也逐步成为大多数人消费购物的首选方式。同时消费者也越来越有意愿针对所购买的产品进行评论、打分等,从而产生了大量含有主观情感倾向的用户评论文本,其中包含着丰富的内容信息,对于消费者、商家以及购物平台都有很大的价值。在线评论文本的情感分析任务中,传统的机器学习方法往往不能充分挖掘文本语义信息,并且大量的特征标注工作依赖于人工,因此采用深度学习算法对异构、分布的在线评论短文本进行情感分析是非常有必要的。面对短文本稀疏性、海量性与非规范性的特点,本文设计了一种基于深度神经网络的融合词性特征的情感分析方案,该方案从文本特征提取与情感特征提取两个方面入手,提出一系列改进,具体工作如下:首先,考虑到常用的文本向量化方法不能充分表示上下文语义信息,因此本文采用WoBERT模型获取词粒度的动态文本特征表达,并在此基础上引入词性特征,使用BiLSTM-CRF序列标注方法训练词性向量,结合词向量与词性向量,能够在一定程度上缓解一词多义的影响。其次,在情感特征提取部分提出了CNN-BiLSTM-ATT模型,通过CNN提取文本局部信息,其中池化层将词向量聚合为句向量,进一步为了加强对于文本的理解,提升模型准确率,结合了善于学习长序列依赖关系的BiLSTM模型和善于关注重要信息的注意力机制,提取全局主要情感特征。本文通过爬取车主之家与太平洋汽车网站的用户在线评论文本,设计了一系列对比分析实验,实验结果表明,本文所提出的模型获得了较好的分类结果,可以应用于汽车领域的用户评论情感研究中。最后,在短文本数据集的主题分析部分,采用基于词对共现的主题模型BTM,弥补了传统的LDA模型在处理短文本时的缺陷。