随着互联网技术和社交网络的快速发展,各种网络平台生成了大量用户针对不同领域的评论文本。这些文本包含着丰富的情感倾向,从中可以发掘互联网用户或消费者对于该事物态度,这些信息无论对个人用户、商家或国家监管部门都有重大意义。在大数据时代,随着技术和硬件设施的不断升级,各种平台的评论文本数据量都以爆炸性增长,只依赖统计学方法已经无法满足日益增长的评论文本情感分析需求,所以如何通过人工智能技术精准高效挖掘评论文本中的情感倾向已成为目前工学两界的主要研究问题。情感分析属于人工智能领域中的观点挖掘,通过人工智能技术进行情感倾向挖掘有助于及时了解网络舆情,其研究对于获取评论情感趋势具有重要意义。本文主要研究内容如下:（1）为了更加真实模拟中文复杂语言环境下的评论文本情感分析场景,通过数据采集技术分别从京东和豆瓣两个网站获取了大量用户评论文本,对其进行文本预处理后分别按照数据量分为五千、两万和五万三种不同大小的数据集,以验证不同情感分析模型在不同类型、不同大小的数据集上的分析效果。针对传统Word2vec和Glo Ve文本表示模型无法精准表达词语之间的语义问题,本文提出使用BERT预训练模型对语料进行文本表示,经过和Word2vec与Glo Ve文本表示的结果进行实验对比验证了BERT生成的词向量能够取得更好地分析效果。然后基于CNN和RNN分别构建了五种基本深度学习模型,使用本文搭建的数据集验证模型情感分析效果。（2）在五种基本深度学习模型的基础上提出了一种融合双向门控循环网络、多头自注意力机制和多粒度卷积胶囊网络（Bi GRU-AMCaps Net）的情感分析模型,首先使用双向门控循环网络对文本序列特征进行初步提取,之后使用多头自注意力机制对关键特征进行注意力加权,最后通过多粒度卷积胶囊网络进行特征融合,输出分类结果。实验结果表明,在BERT词向量的基础上,本文提出的模型在豆瓣电影评论文本三种数据集准确率分别达到87.29%、89.62%、91.88%,在京东电商评论文本三种数据集准确率分别达到82.19%、85.63%、87.46%,相比该领域其他模型效果更好,证明了本文提出的模型的应用价值。