当前,随着互联网信息技术的高速发展,网络购物逐渐取代了实体商店购物成为了日常生活中主要购物方式之一,用户在网上购买商品时,商品的评论内容成为用户购买商品时的主要参考信息之一。一些商家为了提高自己家商品的销售量或者打压竞争对手店铺中商品的销售量,便发布一些商品的虚假评论信息来欺骗消费者,严重影响了电子商务平台的可信度。由于商品的评论信息数据过于庞大,依靠人工辨别这些虚假评论耗时耗力,而使用传统机器学习的方法只能挖掘评论内容的较浅层和基本显性的语义特征。针对这一问题,本文采用深度学习的方法挖掘评论内容的深层次隐性语义特征,进行虚假评论的检测。首先,针对传统机器学习方法不能提取评论内容深层语义特征的问题,本文利用深度学习模型中的卷积神经网络来挖掘评论内容的深层次语义特征,通过输出层得到分类结果进行检测虚假评论。该方法在卷积神经网络中构造一定层次的卷积层和池化层,形成主路卷积神经网络。在此基础上对卷积神经网络结构进行优化改进,通过抽取主路卷积神经网络的各层组成新的边路模型与其相连,构成新的模型。强化后续学习并且更新边路权值以加强某些因特征不明显而导致分类错误的目标样本,调节参数,通过输出层分类检测出虚假评论。其次,为了解决前面所提检测方法中卷积神经网络的卷积核是由系统随机初始化确定和带标签的评论数据不足这两个问题,本文利用稀疏自动编码器分层预训练卷积神经网络的方法来解决这两个问题,进而对虚假评论进行检测。该方法利用自动编码器能够把输出数据还原为输入数据的特点,通过其隐藏层提取评论内容的初步特征,将提取的特征分层次预训练卷积神经网络的卷积核。通过自动编码器预训练的卷积神经网络能够提取评论内容的深层次隐形特征,以挖掘出更有价值的的语义信息,同时能够加速网络的收敛,提高检测出虚假评论的准确率。最后,在Amazon＿cn数据集和Yelp数据集上进行实验,并与已有方法进行对比,验证所提方法的有效性。