2020年初,新冠病毒爆发,受其影响在线课程成为学生上课的主要途径,在线教育带来极大便利的同时也产生了各种各样的问题,例如:学生反馈效果差,老师授课难度大,教学质量评估难等,为了解决这类问题,本文从课程评论出发获取评价对象的情感极性。通过对在线课程评论数据进行信息提取、情感分类和聚类分析,可以了解学习者对在线课程的观点和情感,从而对在线课程进行评估。在线课程评论数据的分析对于学习者选择课程、教学者教学策略改进和平台的建设有重要的意义。但是,大量的在线课程评论中反馈的信息没有得到有效的利用,如何从评论中获取有用的信息,帮助在线课程提高教学质量已经成为急需解决的问题。因此急切的需要一套可行的方法,从在线课程评论中获取有用的信息,通过细粒度的情感分析获取学习者学习过程的主观情感成为解决此类问题的重要手段之一,从而为教学者、学习者和平台提供有效直观的信息。本文研究使用在线课程评论数据进行课程评估,首先提取评论中的评价对象,然后将评价对象融合到评论文本进行情感分类,最后根据情感分类结果分析课程质量。本文的主要工作有数据的采集及标注、在线课程评论的评价对象抽取和情感分类。（1）由于在线课程评论没有权威性的数据,故采用网络爬虫技术采集慕课网上的课程评论数据,对数据去重、删除无效数据以及分成短句之后对数据进行预处理,通过模型+人工标注的方式对课程评论数据进行标注。最后整理得到8万多条评论数据,选取一部分数据进行实验。（2）单一的模型抽取的评价对象较少,为了获取更加全面的评价对象,本文利用ERNIE模型的语义理解和文本生成能力获取预选对象;使用句法分析的Bi-LSTM-CRF模型进行序列标注提取预选对象;将两种方法的预选对象进行结合获取最终的评价对象。实验证明,该方法提高了评价对象提取的准确率。（3）本文使用添加评价对象的BERT模型进行情感分类,将提取的评价对象加入原始数据,提高文本中评价对象的出现频率,模型在训练时学习该词及其附近语义的概率增加,进而提升情感分类的准确率。实验证明添加了评价对象的文本分类比未添加评价对象的文本分类在召回率、准确率和1值上都有提高。本文研究表明将评价对象融合到评论文本中,可以帮助模型学习语义,进而提高情感分类效果。