伴随着现代科技的高速发展,互联网促进了信息的进一步交流,越来越多的消费者喜欢通过网络来分享、交流个人对商品的评价和喜好程度,由此便产生了大量的评论文本。这类文本大多出现在电商平台、外卖平台以及一些社区论坛中,例如常见的淘宝、美团外卖以及汽车之家等。在这些文本评论中,往往蕴含了评论者对该产品的情感倾向,因此针对商品评论的情感分析,不仅能够为消费者提供指导性建议,同时也能帮助企业及时获取消费者的喜好,进而指导商业决策。目前情感分析任务在网络购物、社交媒体等领域已经有了巨大发展,但在汽车领域相关的研究还相对较少。本文针对汽车领域在线评论文本,重点关注在线汽车评论文本情感分析的挑战以及现有情感分析技术在汽车评论领域所存在的问题。针对此间问题,本文主要开展了引入注意力机制的长短期记忆网络模型在汽车评论文本情感分析的研究,主要进行了以下工作:（1）针对传统机器学习方法对大数据文本的特征拟合能力较弱的问题,以及卷积神经网络在处理序列数据时其自身存在的难以获取文本数据的序列关系的问题。本文在针对在线评论文本的情感分析研究中,提出了一种基于双向长短期记忆网络的模型并将注意力机制引入其中,实现将局部特征提取能力融合到序列化特征信息提取中。此外,本文在模型设计工作中探索在词向量训练阶段加入情感信息的影响,使得该模型能够提升文本情感分析任务的效果;（2）通过网络爬虫技术,爬取汽车领域相关的在线评论,并对所获取的评论文本进行数据清洗标注,以实现构建面向汽车领域在线评论数据集;此外通过对所爬取的网络文本进行分析发现,现有的情感词典不足以覆盖互联网上不断涌现的情感新词。为了有效提高情感分析任务的准确性和适用性,本文提出基于SO-PMI算法的汽车领域情感词典构建方法,通过该方法实现对评论文本中出现并且未收录到基础情感词典的情感词构建一个新的领域情感词典,以增强基本情感词典的覆盖度;（3）对整理构建后的汽车评论文本数据集在上述模型中进行训练实验,使得该模型能够更好地抽取关于汽车评论文本的特征,并通过设置对比实验,优化提升该模型在汽车领域文本评论情感倾向分析的准确率。本文所提出的方法最终在汽车领域的文本评论分类准确率可以达到90%以上,具有一定的应用价值。