近年来互联网的快速发展,使得在线购物和社交媒体迅速普及,用户在网上产生大量的关于汽车产品等方面的文本评论。这些用户数据中具有大量有价值的信息,包含了用户在使用过程中对该产品的体验满意情况,采用合适的文本分析技术进行情感分类,能够从评论文本中了解用户诉求。目前关于汽车在线评论情感分类及产品选择的研究相对较少,尤其是缺乏采用深度学习等技术对该问题的探索和改进。对此,本文针对汽车在线评论情感分类和产品选择方法存在的问题,开展了基于门限递归单元的情感分类和产品选择的研究。使用深度学习方法能够更充分高效地提取评论文本中的用户体验情感信息,帮助企业提升产品性能,让消费者更全面了解产品的使用情况,具有重要的理论意义和现实意义。主要完成了以下工作:(1)完成了汽车在线评论文本的多通道建模。针对在线评论文本的特征,以及其在情感分类方面存在的问题,构建了词向量通道、词性向量通道和词情感信息通道,并完成了多通道融合。(2)提出了多通道建模的F-BiGRU情感分类模型。为提高汽车在线评论文本情感分类的准确率,在门限递归循环神经网络的基础上进行模型改进,该模型通过特征强化层对在线评论文本提取更充分的语义信息,并使用双向门限递归单元进行文本语义提取,完成文本情感分类任务。使用该模型,更适应于互联网评论文本随意性、口语性等特点,并和传统机器学习模型及卷积神经网络等模型进行对比实验,本文模型提升了情感分类的准确率,能更好完成情感分类任务。(3)提出了在线评论情感值排序的汽车产品选择方法。通过多通道建模的FBiGRU模型对评论文本进行情感值计算,得到不同车型各个属性的情感值并进行可视化。使用TOPSIS法对各属性情感值进行计算,得到各候选汽车的综合情感值,给消费者提升参考,使消费者更全面了解汽车的用户体验情况,帮助消费者更好的进行汽车产品选择。