随着互联网的发展和普及,人们喜欢在各大网络社交平台上分享自己的观点和态度,习惯于在网络购物平台上分享消费体验、购物心得。其中,旅游网站的用户评论中反映了游客对于景点的真实体验和感受,对于这些评论数据进行情感分类研究是一个很有意义的课题。在文本数据分类的研究中,传统的机器学习方法在人工特征选择和模型构建方面存在一些短板,而深度神经网络在挖掘数据中潜在信息方面有很强的能力,因此本文针对不平衡数据下深度神经网络模型的优化、基于卷积神经网络和循环神经网络的融合模型的构建两方面的问题进行研究。由于原始数据存在数据类别不平衡的问题,为了改善模型在少数类上的分类效果,改进了神经网络的损失函数,将焦点损失函数推广到多分类的情况,以解决难分样本的损失容易被易分样本淹没的问题,实验证明基于该损失函数的模型降低了不平衡数据对分类结果的影响,提高了模型在少数类别上的分类效果。另外,相较于传统的机器学习算法模型,如朴素贝叶斯和基于集成学习的随机森林,深度神经网络在整体的查准率、查全率和F1值上的表现也较为突出。随后,设计一种CNN-GRU混合模型,它结合卷积神经网络善于捕捉文本片段信息和门控循环单元善于处理序列信息的特性,从而克服前馈神经网络一次性处理所有输入而忽略文本中单词顺序的问题。经实验验证,该模型相较于GRU模型能大大缩短训练时间,可以迅速识别评论文本的情感倾向,并且相较于普通RNN模型在准确率和整体F1值上均有较大提升,可以为管理者分析游客对于景点的满意度提供依据,对于文本情感分类研究有一定积极意义。