随着移动设备的迅速普及,移动应用程序和应用商店在人们日常生活中的应用越来越广泛。用户不仅可以在应用商店中下载和安装移动应用程序,还能够通过打分和上传评论来表达自己对于应用程序的反馈。用户上传的评论包含很多类型的信息,例如用户需求、故障报告以及使用体验等。作为获取用户需求等有效信息的重要来源,用户评论可以帮助软件开发人员识别应用程序中缺少的功能,提高软件的质量。当前的从用户评论中获取用户需求的相关研究主要集中在软件的功能方面,然而,用户的非功能需求与软件质量密切相关,在软件系统的开发过程中同样扮演着至关重要的角色。对于非功能需求的分类,常见的方式是依据软件质量评估标准中的质量模型将非功能需求分为不同的质量特性类别。学者Broy提出一个新的角度来重新考虑非功能需求的本质,即根据结构化的系统模型对非功能需求进行分类。该方法首先根据是否描述了系统的行为属性,将非功能需求分为行为型需求和表示型需求两个类别,然后基于其关联的系统视图和使用的行为理论,将行为型需求再进一步分为不同的子类别。基于系统模型的分类方式可以使非功能需求的表示更加具体和准确。基于上述研究背景,本文针对移动应用用户评论中的非功能需求进行探索性和比较性研究。首先将非功能需求根据质量模型划分为不同质量特性类别,然后从系统模型的角度出发对其进行分类和分析,目的是对用户评论中非功能需求的本质以及描述的系统属性获得更深入地了解。我们还比较了移动应用用户评论和工业需求规格说明书中非功能需求的分布,以探究不同来源的非功能需求在分布上的异同点。此外,在基于系统模型对非功能需求人工分类标记的基础上,本文在数据集上进行了自动分类实验,将TF-IDF算法分别与经典的机器学习算法Na（?）ve Bayes和Logistic Regression相结合,Word2Vec工具与深度学习文本分类算法Text CNN相结合,形成了三种分类模型,并且评估了不同自动分类模型的性能。本文选取了苹果应用商店的应用程序i Books和谷歌应用商店的应用程序Whats App中的用户评论作为研究和实验的数据集,研究结果表明（1）在移动应用用户评论中,用户主要报告了有关可靠性和可用性的软件质量方面的内容,并且超过一半的非功能需求描述了系统的接口行为,与功能需求描述的行为类型相同,因此我们得到结论,移动应用用户评论中大多数的非功能需求在本质上并不是非功能的;（2）移动应用用户评论和工业需求规格说明书两个来源的非功能需求在系统视图和行为理论方面的总体分布比较相似,但是与体系结构和状态视图相关联的非功能需求的分布,以及非功能需求在某些质量特性类别（例如可用性）中的分布存在较大差异;（3）基于系统模型对非功能需求进行自动分类实验时,三种分类模型都可以达到比较好的分类效果,相比于传统的机器学习算法Na（?）ve Bayes和Logistic Regression,将Word2vec向量与卷积神经网络Text CNN相结合的分类模型具有更好的性能,分类结果的F-measure值最高（0.960）。