随着互联网与通信技术的不断发展,人们已经从PC互联网时代进入了移动互联网时代,智能手机已经在人们的日常生活中占据了重要地位。手机应用商店是一个应用分发平台,用以展示、下载应用软件,方便人们根据需求选择合适的应用,而应用商店的软件评论是人们在选择软件时较为看中的参照标准,给用户提供了许多参考价值。但由于互联网的开放性,有些用户会发表一些垃圾评论,这些评论不仅仅影响用户体验,还不利于信息资源的整合,因此维护好软件评论区的良好环境十分重要。为了解决上述问题,本文综合利用网络爬虫、深度学习技术以及实验对比等手段进行研究,论文的主要工作如下:（1）针对中文垃圾评论数据集匮乏的问题,本文构建了可用于垃圾评论识别任务的中文应用商店评论数据集,为后续深度学习技术的研究做准备。针对服务器的反爬虫机制,本文提出了基于Request的闭环爬虫架构,解决了服务器的反爬虫限制,提高了数据采集效率。（2）针对传统的敏感词过滤以及人工审核等识别手段效率低的问题,本文结合BERT模型以及Attention注意力机制,构建了 Bert-AtFnn垃圾评论识别模型,不仅提高了垃圾评论识别效率,还提高了垃圾评论识别效果。针对单预训练模型可用信息较为单一的情况,进一步融合多个预训练模型的优点构建了双通道融合Bert-AtFnn垃圾评论识别模型,较好地提取上下文信息,更好地实现垃圾评论的识别。（3）为了测试本文提出的Bert-AtFnn垃圾评论识别模型以及双通道融合Bert-AtFnn垃圾评论识别模型的性能,设计了模型有效性实验以及模型横向对比实验,与LSTM模型和BiLSTM-Attention模型进行对比。本文选取了 3组不同类别应用的软件评论作为数据集进行模型训练。在对比实验中,Bert-AtFnn模型以及双通道融合Bert-AtFnn模型在3组数据中准确率和F1值都高于LSTM以及BiLSTM-Attention 模型,从而证明了本文构建的垃圾评论识别模型能够较好地识别垃圾评论,为后续的研究以及实际场景应用提供了一定的参考意义。