随着科技突飞猛进的发展,互联网已经时时刻刻伴随着人们的生活,消费者在网上的评论呈指数式增长。汽车产品的在线评论是一种宝贵资源,里面包含了用户对汽车产品各个方面的评价。这些评论对于购车者的购买决策起到不可忽视的引导作用。对于汽车生产商而言,可以及时发现问题和了解用户需求,从而促进企业改进产品设计。已有针对汽车产品在线评论文本进行研究的文献比较缺乏,近年来流行的深度学习模型在该领域的应用研究更是屈指可数。基于此,本文采用深度学习模型,对汽车产品在线评论文本进行情感分析,在一定程度上有助于扩展深度学习模型的应用范围,并丰富在线评论文本情感分析方面的理论研究。本文利用python软件爬虫技术从太平洋汽车网获取汽车关于动力、空间、内饰、配置、舒适、外观、油耗这七大主题的在线评论数据,通过构建文本卷积神经网络模型（TextCNN）和双向长短期记忆模型（BiLSTM）进行实验,最后经过参数调试得到最佳模型。另外,本文从太平洋汽车网、爱卡汽车、车质网三家网站获取汽车情感评论,通过构建BiLSTM-CNN混合神经网络模型对汽车情感评论进行分析,经过对比实验,验证了构建模型的可靠性。研究表明:（1）基于TextCNN的汽车评论主题七分类实验,通过对比单一卷积核、组合卷积核的分类结果,得出卷积核越小分类效果越好且组合卷积核好于单一卷积核的结论。进行Dropout参数实验时,得出Dropout值取0.5时分类效果最好的结论。另外,本文还使用BiLSTM对主题评论分类,其展现的结果要好于TextCNN的最佳分类效果。（2）构建BiLSTM-CNN混合神经网络模型,对汽车正面评价和负面评价进行情感分析,并与多种单一模型比较,验证了BiLSTM-CNN混合神经网络模型在情感分析的可行性。文本数据二分类、三分类是大多数学者一直在研究的问题,本文将获取的评论分为七大主题,用TextCNN和BiLSTM进行多分类研究,在一定程度上弥补了这一领域的研究局限。同时构建了分类效果较好的BiLSTM-CNN混合神经网络模型,对汽车生产商和潜在购车用户也有一定的实践参考价值。