近年来,随着互联网的快速发展,电子商务也呈现出日益昌盛的形势。用户在平台上购买过所需要的商品后会对此作出评价,这些评价中包含着用户对商品的主观情绪,因此对这些评价进行情感倾向性分类和判断,在学术和商业上都具有关键的作用。在以往的该领域的研究中,对于文本的情感倾向性分类一般会运用到情感词典的方式,或者传统的机器学习的方式,但这些方法都已经无法适用于当前网络环境所产生的海量文本以及文本中包含的复杂语义信息中,因此越来越多的学者使用深度学习技术进行文本情感倾向性分类的研究。本文将深度学习技术中的CNN,以及循环神经网络的变体LSTM运用到相应的倾向性划分研究中,对于目前的分类方法来说,文本描述通常缺乏对文本上下文环境的分析、忽略词语本身所具有的特征以及未考虑传统的语言学规则。针对上面的问题,分别提出了多通道的CNN情感分类模型和融合语言学规则的LSTM情感分类模型,取得了比较好的效果,具体工作如下:（1）提出引入注意力机制的多通道CNN（multichannel convolutional neural network with attention mechanism,ATT-MCNN）分类模型。目前的文本表示模型比较缺乏对文本上下文环境的分析,而且未考虑文本中的词语本身所具有的特征,从而丢失了词语中所包含的情感信息。本文提出了引入注意力机制的多通道CNN文本情感分类模型,它充分利用了句子中的情感词信息,考虑到词语本身的结构中所包含的情感倾向信息,通过输入层的多个不同通道,将词语的结构信息融入到文本表示中,提升了模型的准确率。通过实验发现,采用多通道进行文本输入时,相比于传统的CNN文本分类模型,其准确率可提升2.75%。（2）提出融合语言学规则的LSTM（linguistically regularized lstm,LR-LSTM）文本情感分类模型。将传统的语言学规则融入到长短期记忆网络中,充分融合句子在时间序列上的特征以及句子结构中本身所包含的语言学规则,提升了模型的准确率,实验表明融合语言学规则的文本倾向性分类模型取得了比较好的效果,相比于以前的LSTM文本分类模型,其准确率提升了4.1%。（3）在上述研究的基础之上,本文还完成了基于深度学习的情感态度的划分系统的创建以及实现过程。对于此类分类系统进行了需求分析,并设计了相应的功能以及模块,实现了数据采集、文本预处理以及文本情感倾向分类的自动化处理。