在互联网快速发展,数据爆炸的时代,文本已经成为人们最为常见的情绪表达方式。对文本进行情感分析不仅可以给消费者提供参考依据,还能提升商家的整体服务机制。因此,对文本进行情感分析有着重要的研究意义。本文采用情感词典与深度学习相结合的方法,对在某点评网站爬取到的餐饮评论数据进行情感分析。本文的主要研究内容及取得的实验结果如下:（1）本文在对数据进行获取和预处理后,对网评文本的基本情感词典进行了构建。对于网评文本的基础情感词典,本文选择的是HOWNET、TSING、NTUSD这三种词典去重、合并后的结果,共得到积极情感词8243个,消极情感词12238个。而对于专业领域情感词的扩充,本文提出了点互信息和相关系数的词典扩充方法。该方法是通过在原有的点互信息模型上引入相关系数,来提高词典扩充的准确性。接着将本文提出的扩充模型与单独使用相关系数和单独使用点互信息的模型进行实验对比。结果表明:在原有的点互信息模型基础上引入相关系数的模型训练效果最好,点互信息的次之,相关系数的最差。（2）对网评文本进行情感分析,本文的情感分析模型是在Bi-LSTM的基础上进行的改进,提出了基于注意力机制和Bi-LSTM的情感分析方法Att-Bi-LSTM。该方法通过引入注意力机制,增强特征向量的提取,提高模型的性能,通过全连接方法对提取到的特征向量进行线性转换,然后将其引入到Softmax分类器中对网评文本进行情感分类。将Att-Bi-LSTM模型与CNN模型、Bi-LSTM模型进行对比实验,结果表明,Att-Bi-LSTM模型的分数值比Bi-LSTM模型的提升了1.87%,比CNN模型的提升了2.44%。（3）本文继续对Att-Bi-LSTM模型进行改进,提出了基于情感词典和Att-Bi-LSTM模型的情感分析方法Dic-Att-Bi-LSTM。该方法通过加入情感词典,增强模型对网评文本中语义的关注度,提高模型的准确率。将Dic-Att-Bi-LSTM模型与Text CNN模型、Att-Bi-LSTM模型进行对比实验,结果表明,Dic-Att-Bi-LSTM模型无论是在准确率、召回率还是分数值上,都要优于Att-Bi-LSTM模型和Text CNN模型。