随着互联网的快速普及,各类汽车门户网站成为汽车用户多对多的信息交流开放平台,是消费者了解用户对于汽车的真实驾乘体验和口碑评价的重要渠道,也颠覆了汽车企业以问卷发放和走访调查来追踪市场需求变化和获取用户反馈的传统方式。然而如何挖掘用户生成式评论数据中蕴含的应用价值和高效处理这些海量的文本数据,从而为消费者购买汽车产品提供参考,为汽车企业把握消费者需求提供全新手段。本文基于这样的背景和目的展开研究,利用情感分析方法对汽车评论文本进行信息挖掘。主要完成了以下工作:（1）首先,利用爬虫工具软件获取各个汽车门户网站上的汽车评论文本数据,针对数据多余噪声和格式不一致问题对数据进行了清洗,使数据格式规范化。扩充并完善了汽车各个性能维度的特征词词典,并基于该词典设计了一种多维度去冗余算法,将各条汽车评论自动归类到相应性能维度。（2）其次,建立二分类器对评论文本进行情感分类,将情感二分类的概率分布映射为汽车用户满意度的度量。此方法的可信度非常依赖于情感模型的分类性能,现有基于机器学习或深度学习的各种二分类器性能各有高低,鉴于此,本文提出了一种并行双工位模型融合方法。具体而言,在已有情感分类方法的基础上,选择了两种经典且可行的二分类器模型（即卷积神经网络和朴素贝叶斯）,分别作为两个并行工位的基准情感分类模型。然后将两并行工位上的分类器所输出的每条评论的情感倾向进行一致性的对比,保留情感倾向一致的评论作为有效评论参与用户满意度的最终赋分。在测试集上的验证结果表明,相比较于基于单分类器的情感赋分方法,本文所提出的并行双工位方法能进一步提高情感分类系统的分类性能,从而提高情感分值（用户满意度）的可信度,同时不会对数据量造成较大缩减,保证有效数据量的充足。（3）最后,以情感分析量化的汽车用户满意度为依据,构建了消费者汽车产品购买决策模型。利用层次分析法（AHP）确定消费者个性化的汽车性能偏好权重,并基于用户满意度采用逼近理想解法（TOPSIS）确定候选车型排序。