随着互联网和电子商务的蓬勃发展,情感分析在学术界和工业界得到广泛应用。然而,随着电商用户和商品评论数量的不断增长,获取有用信息变得困难。此外,商家利用好评返现等形式激励消费者进行评论,带来了大量低质评论。同时,更有商家通过刷单等恶意方式提升商铺的信誉度和产品销量,进一步恶化了平台的公平公正,影响了用户的购物体验。因此,近年来主流电商平台包括亚马逊、淘宝、京东以及网易考拉等,提供了一种全新的面向用户的问答评论方式。在该方式中,平台允许潜在买家提出对某种商品的关心问题,再邀请已购买此商品的优质用户回答。该方式弥补了传统评论的不足,已成为用户获取商品信息的重要方式。因此,针对问答型评论文本进行研究并挖掘出蕴含的情感信息具有重要的商业价值。现有的问答型文本情感分析模型,对问答文本语义特征提取不够充分,且对一词多义问题较难有效应对。针对该缺陷,本文提出了基于特征融合与双向注意力机制的问答型文本情感分析模型CBGRU-Bi ATT-BERT。本文主要研究内容包括以下三个方面:（1）针对问答型评论文本中一词多义以及文本特征提取不够充分的问题,本文首先通过BERT预训练模型进行单词的动态词向量表示,有效解决了一词多义对问答型文本情感分析的影响;进一步设计了并行的CNN和Bi GRU双通道进行搭建混合神经网络提取文本特征,其中CNN通道能够挖掘出问答型文本局部特征,Bi GRU通道将前向GRU和后向GRU结合使用,主要提取问答型文本上下文特征。该方法可以更为全面的提取问答型文本的语义特征,从而得到更为准确的分类效果。（2）针对问答型文本的特殊性,使用双向注意力机制可以同时提取问题对答案和答案对问题的交互信息,从而更好地理解问题和回答之间的关系,并获取更为准确和全面的文本特征表示。本文通过引入双向注意力机制,可以使模型更加灵活和准确地捕捉问题和回答之间的情感交互信息,进而提升情感分析的性能和准确度。通过实验证明了该方法的可行性以及更好的性能分类结果。（3）为了更加直观清晰的展现出问答型文本情感分析的结果,结合实际应用,设计并实现了基于特征融合与双向注意力机制的问答型文本情感分析原型系统。从系统需求进行分析,根据需求分析分别介绍了问答型文本情感分析原型系统的总体架构设计以及原型系统前端页面展示,并对原型系统各个模块功能进行细致的说明。